针对多目标优化问题，融合NSGA-II和MOEA/D算法，提出了外部种群指导的多目标优化算法EAG-MOEA/D。

EAG-MOEA/D同时维护两个集合，一个工作集（采用分解方法）和一个外部集（采用基于密度估计的多样性保持方法），利用子问题更新外部集合的统计信息来动态的分配计算资源。 EAG-MOEA/D算法框架如下图1所示。

图一 EAG-MOEA/D算法框架

图二 NSGA-II、MOEA/D和EGA-MOEA/D三种算法在四个MTSP问题上获得的Pareto前沿。

总结：提出的基于外部种群指导的多目标优化算法EAG-MOEA/D在离散多目标优化问题中取得优异效果。该算法统计进化过程中每个子问题进入外部种群的历史信息，根据该历史信息来动态地给每个子问题分配计算资源。测试的结果优于现有的多目标进化算法。

研究成果：已经发表在人工智能Top一区期刊《IEEE Transactions on Evolutionary Computation》

论文下载：Download PDF

代码下载：CODE

论文引用：X. Cai, Y. Li, Z. Fan*, and Q. Zhang, “An external archive guided multi-objective evolutionary algorithm based on decomposition for combinatorial optimization,” IEEE Transactions on Evolutionary Computation, vol. 19, no. 4, pp. 508–523, 2015.