动态约束多模态优化的战略演进：自适应峰值替换与融合响应技术

本文提出创新性算法DMMCSA-DNAPR，针对动态约束多模态优化问题（DCMMOPs）整合动态邻域自适应峰值替换（DNAPR）和最大扩展距离（MED）增强的记忆移民策略（MI-MED）。通过动态生成优质解、自适应防局部收敛及多种群多样性维持，显著提升动态环境下多可行解的追踪能力，为港口调度、钢铁生产等工业场景提供新范式。

　　

亮点

本研究针对动态约束多模态优化问题（DCMMOPs）提出两大核心策略：1）动态邻域自适应峰值替换（DNAPR），通过在最优解邻域智能生成候选个体并引入均值差异自适应机制，有效提升种群质量并规避局部收敛；2）记忆移民-最大扩展距离（MI-MED）策略，利用多种群概念增强传统记忆移民（MI）的动态响应能力，通过DE算法生成新个体并在环境变化时选择性替换低适应度个体，显著维持种群多样性。

结论

DMMCSA-DNAPR算法通过整合DNAPR的定向进化能力与MI-MED的多样性保护机制，成功解决了DCMMOPs中快速定位多可行解和动态追踪最优解的挑战。实验表明，该框架在15组基准测试中均展现出卓越性能，为动态环境下的工业优化决策提供了创新性解决方案。