基于趨勢預測模型的TPM的分布估計算法

　　多目標優(yōu)化問題廣泛存在于現(xiàn)實世界的應(yīng)用當中。傳統(tǒng)的基于個體進化策略的進化算法在處理這些優(yōu)化問題時往往收斂速度慢、嚴格依賴于種群大小而且效果不大理想。分布估計算法作為元啟發(fā)式（meta-heuristics）方法的一種，將統(tǒng)計機器學習同群體進化模式相結(jié)合，引起了學者的廣泛關(guān)注。在這篇文章中，我們提出了一種基于趨勢預測模型（TPM）的分布估計算法，TPM-EDA，用于解決多目標優(yōu)化問題。其特點在于有效地利用了群體進化過程的歷史信息來預測粒子運動的趨勢，從而加速了查找最優(yōu)Pareto前沿面的過程，提升了算法的搜索能力。與此同時，通過引入稀疏度來控制個體的采樣頻率，來實現(xiàn)種群的多樣性。我們在6個不同的測試函數(shù)上，對TPM-EDA和多種已有的EDA算法進行了對比性試驗。實驗結(jié)果表明了TPM-EDA方法的有效性。