基于自適應(yīng)縮放比例因子的差分進(jìn)化算法

沈佳杰，江 紅，王 肅

（華東師范大學(xué) 信息科學(xué)技術(shù)學(xué)院，上海200241）

0 引 言

差分進(jìn)化算 法 （differential evolution，DE）是 由D.Storn和K.Price在1995年共同提出的一個(gè)在連續(xù)空間內(nèi)啟發(fā)式搜索的隨機(jī)算法［1，2］。由于其優(yōu)良的可擴(kuò)展性和通用性，已經(jīng)廣泛應(yīng)用到各個(gè)領(lǐng)域。但是標(biāo)準(zhǔn)的差分進(jìn)化算法依然存在很多問題，如早熟和對(duì)于在高維多峰函數(shù)條件下難以找到全局最優(yōu)值等等。對(duì)于這一些問題已提出了很多新的解決辦法，如增加新的算子、混合算法等等，對(duì)于差分進(jìn)化算法存在的問題和對(duì)于問題相應(yīng)的改進(jìn)可以參考文獻(xiàn) ［3，4］。

本文針對(duì)差分進(jìn)化算法在高維函數(shù)上易早熟和難以找到全局最優(yōu)值的問題，提出一個(gè)基于自適應(yīng)縮放比例因子改進(jìn)的差分進(jìn)化算法，通過理論推導(dǎo)和實(shí)驗(yàn)證明了改進(jìn)的基于自適應(yīng)縮放比例因子差分進(jìn)化算法可以有效地減少算法在高維多峰環(huán)境下的迭代步驟數(shù)以及更好的找到目標(biāo)問題的全局最優(yōu)值。

1 標(biāo)準(zhǔn)差分進(jìn)化算法

1.1 差分進(jìn)化算法簡介

差分進(jìn)化算法是基于群體智能的進(jìn)化算法，其主要的操作有變異操作、交叉操作和選擇操作，通過這3種不同操作，標(biāo)準(zhǔn)的差分進(jìn)化算法［1，2］可以高效地找出函數(shù)的最優(yōu)值，其主要定義如下：

個(gè)體種群由N個(gè)獨(dú)立的個(gè)體組成，記為

式中：N——種群數(shù)。

每一個(gè)個(gè)體是一個(gè)D維向量，記為

式中：D——問題維數(shù)。

類似于遺傳算法，需要通過差分進(jìn)化算法中的變異、交叉和選擇操作對(duì)種群進(jìn)行變換，從而找出最優(yōu)值點(diǎn)。

1.1.1 變異操作

變異操作的主要作用是對(duì)于不同個(gè)體進(jìn)行差分變換，從而產(chǎn)生新的變異個(gè)體。變異公式如下

新的變異個(gè)體Vi由3個(gè)不同的個(gè)體通過式 （3）計(jì)算而得。

1.1.2 交叉操作

交叉操作的主要作用是生成的實(shí)驗(yàn)個(gè)體與原個(gè)體進(jìn)行交叉操作，從而生成新的變異個(gè)體。交叉操作如下

式中：rand（0，1）為 ［0，1］之間隨機(jī)數(shù)，CR 為交叉概率其取值在 ［0，1］之間，rnbr（i）是指第i個(gè)個(gè)體的向量標(biāo)號(hào)。

如式 （4）所示，交叉操作的本質(zhì)是將變異個(gè)體與原個(gè)體在各個(gè)維度向量上以一定的概率進(jìn)行交叉，生成新的實(shí)驗(yàn)個(gè)體ui。

1.1.3 選擇操作

選擇操作的主要作用是在個(gè)體進(jìn)入下一步迭代時(shí)，在現(xiàn)在個(gè)體和實(shí)驗(yàn)個(gè)體中選擇一個(gè)適應(yīng)度較高的個(gè)體生成下一代的種群。選擇操作如式 （5）所示

如式 （5）所示，當(dāng)改進(jìn)實(shí)驗(yàn)個(gè)體的適應(yīng)度大于原來個(gè)體適應(yīng)度值，則采用改進(jìn)后的實(shí)驗(yàn)個(gè)體，其它情況下采用原來個(gè)體。

1.2 標(biāo)準(zhǔn)差分算法步驟

標(biāo)準(zhǔn)差分算法步驟如下：

步驟1 初始化種群X0進(jìn)入差分進(jìn)化算法，確定CR，將迭代步數(shù)t設(shè)為1，同時(shí)設(shè)定最大迭代步數(shù)tmax。

步驟2 調(diào)用變異操作。通過式 （3），計(jì)算所有個(gè)體的變異個(gè)體。

步驟3 調(diào)用交叉操作。通過式 （4），生成所有個(gè)體的實(shí)驗(yàn)個(gè)體。

步驟4 調(diào)用選擇操作。通過式 （5），判斷生成的實(shí)驗(yàn)個(gè)體是否比現(xiàn)存?zhèn)€體的適應(yīng)度高，如果適應(yīng)度高于現(xiàn)存?zhèn)€體，則讓實(shí)驗(yàn)個(gè)體替當(dāng)前個(gè)體；否則，保留，生成下一代。

步驟5 判斷是否已經(jīng)達(dá)到最優(yōu)值或迭代步驟數(shù)是已經(jīng)超過最大迭代步驟數(shù)，如果是，轉(zhuǎn)向步驟6；否則轉(zhuǎn)向步驟2。

步驟6 輸出最優(yōu)值點(diǎn)。

1.3 對(duì)標(biāo)準(zhǔn)差分算法的改進(jìn)

從標(biāo)準(zhǔn)差分進(jìn)化算法可以看出，標(biāo)準(zhǔn)的CR是一定的，極易造成差分進(jìn)化算法的早熟，所以部分文獻(xiàn)針對(duì)于這個(gè)問題提出改進(jìn)CR的計(jì)算方法［5，6］。文獻(xiàn) ［5］中將CR的計(jì)算方法改為

式中：g——當(dāng)前算法的步驟數(shù)，G——算法整體的迭代步驟上限，CRmin——變異值的最小值，CRmax——變異值的最大值。

其最大的優(yōu)點(diǎn)是在算法開始時(shí)，盡量關(guān)注全局范圍的變異情況，而在算法接近于收斂的時(shí)候，更加關(guān)注局部的收斂情況，形成二次變異差分進(jìn)化算法。

除此之外，許多文獻(xiàn)還對(duì)標(biāo)準(zhǔn)差分進(jìn)化算法進(jìn)行了其它方面的改進(jìn)，如對(duì)差分進(jìn)化算法交叉和變異操作的改進(jìn)［7，8］，對(duì)編碼進(jìn)行優(yōu)化改進(jìn)［9］、對(duì)個(gè)體進(jìn)行排序以提高算法效率［10］、利用信息論中熵的概念提高算法效率［11］，以及對(duì)多目標(biāo)問題使用差分進(jìn)化算法的求解，如使用不同的理論對(duì) 進(jìn)化算法進(jìn)行改進(jìn)［12，13］、 進(jìn)化算法綜述［14，15］和對(duì)多目標(biāo)差分算法收斂性的討論［16］。

2 改進(jìn)的差分進(jìn)化算法

2.1 假設(shè)和定義

本文中改進(jìn)的差分進(jìn)化算法的假設(shè)和定義如下：

假設(shè)1：個(gè)體適應(yīng)度為正數(shù)，其隨著個(gè)體對(duì)于環(huán)境適應(yīng)能力的增強(qiáng)而變大，即需要將問題歸一為正數(shù)最大值問題。

假設(shè)2：多峰函數(shù)是連續(xù)的且最優(yōu)值點(diǎn)存在且可以被找到。

假設(shè)3：多峰函數(shù)每一維變量是獨(dú)立的影響函數(shù)的取值。

定義1 整個(gè)種群適應(yīng)度的方差稱為適應(yīng)度方差，記為

式中：fi——當(dāng)前個(gè)體的適應(yīng)度，favg——平均適應(yīng)度，N——種群數(shù)。δ2的值越大，說明種群越分散，對(duì)于隨機(jī)搜索越有利；反之，δ2的值越小，說明種群越集中。

定義2 種群整體集中程度反比于種群的方差，稱為早熟比例基數(shù)，記為

式中：f——一個(gè)比例系數(shù)。

定義3 個(gè)體的適應(yīng)度相對(duì)于最大適應(yīng)度和最小適應(yīng)度歸一化的值，稱為歸一化適應(yīng)度，記為

定義4 早熟比例基數(shù)與歸一化適應(yīng)度的乘積稱為個(gè)體的健康值，記為Hi＝Fsimi＊Kbase（10）

當(dāng)個(gè)體的健康值大于某個(gè)閾值，則此個(gè)體稱為優(yōu)勢個(gè)體；當(dāng)個(gè)體的健康值小于該閾值，此個(gè)體稱為劣勢個(gè)體。

根據(jù)以上定義，對(duì)于不同個(gè)體的改進(jìn)，Ki計(jì)算公式如下

式中：a——一個(gè)系數(shù)，rand（0，1）為 （0，1）之間的隨機(jī)數(shù)，Kmin為在健康度較低條件下的K的低維比例因子，Kmax為在健康度較高條件下的K的高維比例因子。

定義5 對(duì)于函數(shù)極值點(diǎn)的第i極值點(diǎn)中第j維存在一個(gè)領(lǐng)域，使得在對(duì)于每一個(gè)個(gè)體的進(jìn)行一次小于比例因子Kminij的變異、交叉和選擇后，落在整個(gè)領(lǐng)域外的實(shí)驗(yàn)個(gè)體的適應(yīng)度值小于原來個(gè)體的值，領(lǐng)域叫做Kminij步長最極值領(lǐng)域。在極值點(diǎn)比例系數(shù)中最小的比例系數(shù)稱為這極值點(diǎn)的最小比例系數(shù)，記為Kmini，所有極值點(diǎn)最小比例系數(shù)Kmini的最小值稱為最小比例系數(shù)，記為Kmin。

2.2 改進(jìn)差分進(jìn)化算法的步驟

本文中改進(jìn)的差分進(jìn)化算法的算法步驟如下：

步驟1 初始化種群X0進(jìn)入差分進(jìn)化算法，確定CR，將迭代步數(shù)T設(shè)為1，同時(shí)設(shè)定最大迭代步數(shù)Tmax。

步驟2 根據(jù)式 （7）和式 （8），以及現(xiàn)在的迭代步數(shù)T和適應(yīng)度，計(jì)算δ2、比例基值Kbase。

步驟3 根據(jù)式 （9）、式 （10）確定本個(gè)體的健康值Hi，根據(jù)式 （11）計(jì)算當(dāng)前個(gè)體的Ki。

步驟4 根據(jù)式 （3）調(diào)用變異操作，計(jì)算變異個(gè)體。

步驟5 根據(jù)式 （4）和CR進(jìn)行交叉操作，計(jì)算得到實(shí)驗(yàn)個(gè)體。

步驟6 根據(jù)式 （5），調(diào)用選擇操作生成下一代個(gè)體，檢查是否所有的個(gè)體都完成了迭代。如果還有個(gè)體未完成迭代，回到步驟3。

步驟7 判斷是否已經(jīng)達(dá)到最優(yōu)值或迭代步驟數(shù)已經(jīng)超過最大迭代步驟數(shù)，如果是轉(zhuǎn)向步驟8，否則轉(zhuǎn)向步驟2。

步驟8 輸出最優(yōu)值點(diǎn)。

2.3 算法性質(zhì)及其定理證明

本文中改進(jìn)的差分進(jìn)化算法的性質(zhì)及其定理證明如下：

定理1 當(dāng)所有的個(gè)體每一維分量都落在極值而不是最優(yōu)值的Kminij步長最極值領(lǐng)域，且算法的比例系數(shù)值小于對(duì)應(yīng)的最小比例系數(shù)值，即K＜Kmin時(shí)，則標(biāo)準(zhǔn)差分進(jìn)化算法無法找到最優(yōu)值點(diǎn)。

證明：假設(shè)原先個(gè)體為的個(gè)體編號(hào)是r0，而隨機(jī)選中的個(gè)體的編號(hào)為r1、r2和r3，所以對(duì)于t＋1步實(shí)驗(yàn)個(gè)體有以下組成

其中K≤Kmin，xr0j表示r0的第j維的分量，xr1j表示r1的第j維的分量、xr2j表示r2的第j維的分量、xr3j表示r3的第j維的分量。

對(duì)于式 （13），由于實(shí)驗(yàn)個(gè)體中的分量相較于上一步的個(gè)體分量沒有發(fā)生變化，所以只需要討論式 （12）。對(duì)于t＋1步的迭代，對(duì)于每一個(gè)個(gè)體的每一維變量有以下兩種可能：

（1）下一步迭代時(shí)跳出r1的最極值領(lǐng)域內(nèi)

由于所有的個(gè)體每一維都在極值而不是最值的Kminij步長最極值領(lǐng)域內(nèi)且差分進(jìn)化算法的比例系數(shù)小于最小比例系數(shù) （即K＜Kmin），所以這一維變量的改變必然導(dǎo)致個(gè)體適應(yīng)度值的變小。又因?yàn)槎喾搴瘮?shù)每一維變量是獨(dú)立的影響函數(shù)，所以產(chǎn)生的實(shí)驗(yàn)個(gè)體必然小于原個(gè)體的適應(yīng)度值，在選擇步驟中必然會(huì)選擇原個(gè)體，而不是變異個(gè)體。

（2）下一步依然在r1的最極值領(lǐng)域內(nèi)

由于所有的個(gè)體的每一維分量都在極值而不是最優(yōu)值的Kminij步長最極值領(lǐng)域，所以迭代后的個(gè)體也一定不在最優(yōu)值的Kminij步長最極值領(lǐng)域內(nèi)，因此不會(huì)達(dá)到最優(yōu)值。

綜上所述，原命題成立。

推論1 當(dāng)多維函數(shù)的維數(shù)和函數(shù)極值點(diǎn)足夠多時(shí)，傳統(tǒng)的差分進(jìn)化算法很難找到全局最優(yōu)值點(diǎn)。

證明：隨著函數(shù)維數(shù)和局部極值點(diǎn)的增多，陷入局部極值點(diǎn)的概率將增大，所以隨著函數(shù)維數(shù)和局部極值點(diǎn)增多其越難找到全局最優(yōu)值點(diǎn)。

定理1與推論1說明了標(biāo)準(zhǔn)的差分進(jìn)化算法在多峰函數(shù)條件下，如果比例系數(shù)值選擇過小，則較容易發(fā)生早熟現(xiàn)象，即過早進(jìn)入找到局部最優(yōu)值的搜索而忽略了全局的最優(yōu)值點(diǎn)，而如果比例因子取得太大的話，又會(huì)因?yàn)槠涞缍忍?，不利于最?yōu)值點(diǎn)的局部搜索。

定理2 如果高維比例因子足夠大，在迭代步驟數(shù)足夠多的情況下，改進(jìn)差分進(jìn)化算法可以找到最優(yōu)值。

證明：由于迭代步驟足夠多，那么當(dāng)陷入局部極值的個(gè)體必然有n步迭代進(jìn)入式 （11）中高維部分，又因?yàn)楦呔S的步長足夠長，所以必然存在個(gè)體高維的迭代可以跳出局部極值。而與此同時(shí)在最優(yōu)值周圍的個(gè)體，由于迭代步驟足夠多，必然存在個(gè)體通過式 （11）的低維搜索找到最優(yōu)值。

所以改進(jìn)差分進(jìn)化算法可以在迭代步驟數(shù)足夠多的情況下找到最優(yōu)值。

3 實(shí) 驗(yàn)

本實(shí)驗(yàn)是在MATLAB2010b環(huán)境下進(jìn)行測試，本文選擇表1所示的5個(gè)函數(shù)作為本實(shí)驗(yàn)的測試函數(shù)，其中測試函數(shù)1～5的性質(zhì)各不相同：函數(shù)1、函數(shù)4和函數(shù)5是多峰函數(shù)，函數(shù)2和函數(shù)3為單峰函數(shù)。在實(shí)驗(yàn)中分別對(duì)于低維數(shù)據(jù) （2，2，2，3，3）和高維數(shù)據(jù) （2，15，10，10，15）各自獨(dú)立進(jìn)行10次實(shí)驗(yàn)，分別對(duì)10次試驗(yàn)迭代次數(shù)的最大值、最小值和平均值進(jìn)行統(tǒng)計(jì)。

表1 模擬使用的測試函數(shù)

為了減少CR對(duì)于實(shí)驗(yàn)結(jié)果的影響，實(shí)驗(yàn)中采用規(guī)定CR為常數(shù)的方法。表2是在低維 （2，2，2，3，3）情況下標(biāo)準(zhǔn)差分進(jìn)化算法和改進(jìn)后的差分進(jìn)化算法迭代步驟數(shù)的對(duì)比，表3是在高維 （2，15，10，10，15）情況下標(biāo)準(zhǔn)差分進(jìn)化算法和改進(jìn)后的差分進(jìn)化算法迭代步驟數(shù)的對(duì)比。

其中SDE代表標(biāo)準(zhǔn)差分進(jìn)化算法，IDE代表本文中的差分進(jìn)化算法。

由表2可知，改進(jìn)差分進(jìn)化算法相較于傳統(tǒng)差分進(jìn)化算法沒有明顯的改進(jìn)，在某些函數(shù)上，甚至有時(shí)性能還低于標(biāo)準(zhǔn)的差分進(jìn)化算法，其主要原因是改進(jìn)的差分進(jìn)化算法為了提高對(duì)于全局最優(yōu)值的查找能力，進(jìn)行了不必要的高維搜索。由表3可知，隨著測試函數(shù)維度的增加，在多維函數(shù)4和函數(shù)5中改進(jìn)差分進(jìn)化算法其達(dá)標(biāo)時(shí)的迭代次數(shù)相較傳統(tǒng)的差分進(jìn)化算法明顯減少，甚至在函數(shù)4中，在交叉概率CR為0.2的情況下，有1000次無法迭代出結(jié)果的情況，而改進(jìn)的差分進(jìn)化算法依然可以在最多343步下找到函數(shù)的達(dá)標(biāo)值點(diǎn)，這符合推論1和定理2。

圖1 顯示了迭代結(jié)束時(shí)傳統(tǒng)差分進(jìn)化算法和改進(jìn)差分進(jìn)化算法在算法終止時(shí)，高維和低維不同環(huán)境下，對(duì)于5個(gè)實(shí)驗(yàn)中的測試函數(shù)的平均最小值。

表2 對(duì)于第一組維數(shù) （2，2，2，3，3）其優(yōu)化結(jié)果前后迭代步數(shù)比較

表3 對(duì)于第一組維數(shù) （2，15，10，10，15）其優(yōu)化結(jié)果前后迭代步數(shù)比較

圖1 低維和高維條件下，差分算法平均最小值的比較

從圖1（a）中可以看出，低維的條件下，改進(jìn)差分進(jìn)化算法與傳統(tǒng)方法找到函數(shù)最小值相似，圖1（b）高維條件下，改進(jìn)后的差分進(jìn)化算法的平均最小值小于或等于標(biāo)準(zhǔn)的差分進(jìn)化算法，尤其是在多維函數(shù)4中其平均值相差較大。

4 結(jié)束語

本文中通過對(duì)于標(biāo)準(zhǔn)差分進(jìn)化算法引入自適應(yīng)的比例因子，提出了一個(gè)基于自適應(yīng)比例算子的改進(jìn)的差分進(jìn)化算法，通過實(shí)驗(yàn)分析和理論推導(dǎo)證明改進(jìn)的差分進(jìn)化算法較傳統(tǒng)差分進(jìn)化算法在高維多峰函數(shù)環(huán)境下，可以有效地提高算法對(duì)于全局最優(yōu)值點(diǎn)的查找能力以及減少差分進(jìn)化算法的迭代步驟數(shù)，但是由于本文中對(duì)于改進(jìn)的差分進(jìn)化算法的實(shí)驗(yàn)數(shù)量有限，是否可以找出一個(gè)即可以不依賴于函數(shù)先驗(yàn)知識(shí)的通用比例因子的計(jì)算方法，依然是值得研究的問題。

［1］Storn R，Price K.Differential Evolution－a simple and efficient heuristic for global optimization over continuous spaces ［J］.Journal of Global Optimization，1997，11 （4）：341－359.

［2］Storn R，Price K.Minimizing the real functions of the ICEC’96contest by differential evolution ［C］／／Proceedings of IEEE International Conference on Evolutionary Computation，1996.

［3］LIU Bo，WANG Ling，JIN Yihui.Advances in differential evolution ［J］.Control and Decision，2007，22 （7）：721－729（in Chinese）.［劉波，王凌，金以慧.差分進(jìn)化算法的研究進(jìn)展 ［J］.控制與決策，2007，22 （7）：721－729.］

［4］YANG Qiwen，CAI Liang，XUE Yuncan.A survey of differential evolution algorithms ［J］.Pattern Recognition and Artificial Intelligence，2008，21 （4）：506－513 （in Chinese）.［楊啟文，蔡亮，薛云燦.差分進(jìn)化算法綜述 ［J］.模式識(shí)別與人工智能，2008，21 （4）：506－513.］

［5］WU Lianghong，WANG Yaonan，YUAN Xiaofang，et al.Differential evolution algorithm with adaptive second mutation［J］.Control and Decision，2006，21 （8）：898－902 （in Chinese）.［吳亮紅，王耀南，袁小芳，等.自適應(yīng)二次變異差分進(jìn)化算法 ［J］.控制與決策，2006，21 （8）：898－902.］

［6］DENG Zexi，CAO Dunqian，LIU Xiaoji，et al.new differential evolution algorithm ［J］.Computer Engineering and Applications，2008，44 （24）：40－42 （in Chinese）.［鄧澤喜，曹敦虔，劉曉冀，等.一種新的差分進(jìn)化算法 ［J］.計(jì)算機(jī)工程與應(yīng)用，2008，44 （24）：40－42.］

［7］Zaharie D.Influence of crossover on the behavior of Differential Evolution Algorithms［J］.Applied Soft Computing，2009，9（3）：1126－1138.

［8］Epitropakis M G，Pavlidis N G，Plagianakos V P，et al.Enhancing differential evolution utilizing proximity－based mutation operators ［J］.Evolutionary Computation，2011，15 （1）：99－119.

［9］HE Yichao，WANG Xizhao，KOU Yingzhan.A binary differential evolution algorithm with hybrid encoding ［J］.Journal of Computer Research and Development，2007，44 （9）：1476－1484（in Chinese）.［賀毅朝，王熙照，寇應(yīng)展.一種具有混合編碼的二進(jìn)制差分演化算法 ［J］.計(jì)算機(jī)研究與發(fā)展，2007，44 （9）：1476－1484.］

［10］SHAO Liang.Differential evolutin algorithm based on individual ordering and samplng ［J］.Computer Engineering and Applications，2012，48 （1）：49－52 （in Chinese）.［邵梁.基于排序采樣策略的差分演化算法 ［J］.計(jì)算機(jī)工程與應(yīng)用，2012，48 （1）：49－52.］

［11］YONG Longquan，CHEN Tao，ZHANG Jianke.Solving complementarity problem based on maximum differential evolutionary algorithm ［J］.Application Research of Computers，2010，27 （4）：1308－1310 （in Chinese）.［雍龍泉，陳濤，張建科.求解互補(bǔ)問題的極大熵差分進(jìn)化算法 ［J］.計(jì)算機(jī)應(yīng)用研究，2010，27 （4）：1308－1310.］

［12］WANG Xiaozhen，LI Peng，YU Guoyan.Multi－objective chaotic differential evolution algorithm with grading second mutation ［J］.Control and Decision－Making，2011，26 （3）：457－163（in Chinese）.［王筱珍，李鵬，俞國燕.分階段二次變異的多目標(biāo)混沌差分進(jìn)化算法 ［J］.控制與決策，2011，26 （3）：457－163.］

［13］MENG Hongyun，ZHANG Xiaohua，LIU Sanyang.A differential evolution based on double populations for constrained multi－objective optimization problem ［J］.Chinese Journal of Computers，2008，31 （2）：228－235 （in Chinese）.［孟紅云，張小華，劉三陽.用于約束多目標(biāo)優(yōu)化問題的雙群體差分進(jìn)化算法 ［J］.計(jì)算機(jī)學(xué)報(bào)，2008，31 （2）：228－235.］

［14］GONG Maoguo，JIAO Licheng，YANG Dongdong，et al.A differential evolution based on double populations for constrained multi－objective optimization problem ［J］.Journal of Software，2009，20 （2）：272－289 （in Chinese）.［公茂果，焦李成，楊咚咚，等.進(jìn)化多目標(biāo)優(yōu)化算法研究 ［J］.軟件學(xué)報(bào)，2009，20 （2）：272－289.］

［15］XIE Tao，CHEN Huowang，KANG Lishan.Evolutionary algorithms of multi－objective optimization problems ［J］.Chinese Journal of Computers，2003，26 （8）：997－1003 （in Chinese）.［謝濤，陳火旺，康立山.多目標(biāo)優(yōu)化的演化算法［J］.計(jì)算機(jī)學(xué)報(bào)，2003，26 （8）：997－1003.］

［16］ZHOU Yuren， MIN Huaqing，XU Xiaoyuan，et al.A multi－objective evolutionary algorithm and its convergence［J］.Chinese Journal of Computers，2004，27 （10）：1415－1421（in Chinese）.［周育人，閔華清，許孝元，等.多目標(biāo)演化算法的收斂性研究 ［J］.計(jì)算機(jī)學(xué)報(bào)，2004，27 （10）：1415－1421.］