该研究论文探讨了基于帕累托优势的多目标队列智能算法。

简介：
近期，涌现出若干创新且专门设计的算法，旨在针对特定类型的难题进行解决。尽管如此，这些算法在新基准数据集或实际应用场景中的表现仍需进一步考证和确认。本文提出了一种全新的多目标群体智能（MOCI）算法，该算法的设计理念源于帕累托优势和协同进化的原则，力求在效率、有效性、产出以及稳健性方面展现出卓越的性能。MOCI算法通过巧妙地平衡探索与开发之间的关系，并利用有潜力的区域进行搜索，从而有效地避免了搜索过程的停滞。为了评估MOCI算法的能力，我们将其与当前最先进的算法——包括ARMOEA、CMOPSO、hpaEA、LMOCSO、LSMOF、NMPSO 和 WOFSMPSO——进行了对比测试，这些算法在多个测试套件上得到了广泛应用，涵盖了Classical、ZDT、DTLZ、WFG 和 UF等类别。 绩效评估采用了不相关的指标来确保客观性。此外，我们还探索了一种多重相关性分析的方法，以更深入地理解绩效结果。 MOCI 算法的性能得到了PROMETHEE-II方法以及非参数统计检验的严格验证和确认，证明其能够在大多数测试案例以及实际问题中实现良好的融合性和多样化解决方案。该算法的成功得益于其内部整合了诸多关键特征。展望未来，MOCI 算法有望被应用于解决工程和管理领域中诸多复杂且具有挑战性的问题。