针对基于分解的高维多目标进化算法在求解不同类型Pareto前沿的问题时综合性能下降的问题,提出一种基于指标和自适应分解的高维多目标进化算法(MaOEA-IAD).首先,设计一个实时维护的外部档案库来保留有期望个体,以发现潜在的未开发但有前景的参考向量;同时,为了评价个体的收敛性和多样性,提出一种小生境技术与收敛性指标相结合的综合性能指标I(x);此外,为了提升算法处理不同Pareto前沿问题时的综合性能,提出一种参考向量自适应策略,并与基于空间划分的精英替代策略相结合,进一步提升算法在真实Pareto前沿上的分散能力.实验结果表明,所提算法能够在不同复杂类型的高维多目标优化问题上有效的平衡种群收敛性和多样性,并具有一定的优越性.
