摘要:在解决大规模多目标优化问题(LSMOP)时, 随着决策变量维数的增加会使得MOEA/D算法在决策空间扩展性差且容易收敛于局部最优. 针对这一问题, 提出了一种大规模多策略MOEA/D算法 (MSMOEA/D). MSMOEA/D算法在优化过程中引入了一种基于自动编码器的混合初始化策略, 以改善初始种群的覆盖程度, 从而促进全局搜索. 然后, 提出一种基于聚合函数值的邻域调整策略, 通过调整邻域大小, 能够在搜索过程中更精确地控制搜索范围, 避免因邻域过大或过小而导致的搜索效率低下. 此外, 在优化过程中采用了基于非支配排序的变异选择策略. 不同的子问题根据位于非支配排序第1层的个体数量选择变异策略, 避免种群陷入局部最优, 提高算法的整体性能. 最后, 使用LSMOP和DTLZ测试问题对MSMOEA/D算法和其他已有算法进行了评估. 实验结果证实了MSMOEA/D算法解决大规模多目标优化问题的有效性.