✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

动态多目标优化问题（Dynamic Multiobjective Optimization Problems, DMOPs）广泛存在于工业调度、智能电网、无人机路径规划等实际场景中，其核心特征是目标函数、约束条件或决策空间随时间动态演变，要求算法既能快速追踪Pareto最优前沿（Pareto Optimal Front, PF）的变化，又能维持解集的收敛性与多样性。针对传统动态多目标进化算法（Dynamic Multiobjective Evolutionary Algorithms, DMOEAs）在环境变化时收敛速度慢、易出现负迁移、难以稳定追踪动态PF等缺陷，本文提出一种基于知识转移和维护功能的动态多目标进化算法（KTM-DMOEA）。该算法融合知识转移预测（Knowledge Transfer Prediction, KTP）与知识维护采样（Knowledge Maintenance Sampling, KMS）双策略，充分挖掘历史环境中的有效知识，为新环境提供高质量初始种群，缓解负迁移问题。以CEC2018动态多目标优化测试集的14个测试函数（DF1-DF14）为基准，将KTM-DMOEA与DIP-DMOEA、MOEA/D-SVR、PPS等先进算法进行对比实验，采用追踪误差、超体积（HV）、反向世代距离（IGD）等指标定量评估算法性能。实验结果表明，KTM-DMOEA在大多数测试函数上表现更优，能够有效适应不同类型的动态变化，在收敛速度、解集质量和鲁棒性上均有显著提升，可高效求解CEC2018测试集的各类动态多目标优化问题。

关键词：动态多目标优化；进化算法；知识转移；知识维护；CEC2018测试集；Pareto最优前沿

1 引言

1.1 研究背景与意义

在实际工程与科学研究中，大量优化问题同时具备多目标性与动态性：例如智能电网调度中需动态平衡发电成本与污染排放，应对负荷需求的实时波动；工业生产流程优化中需根据原材料供应、设备状态变化调整生产计划，实现资源配置最优；无人机路径规划中需适应障碍物分布与任务需求的动态变化，兼顾路径长度与能耗双重目标。这类问题被称为动态多目标优化问题（DMOPs），其目标函数之间相互冲突，且最优解集（Pareto最优解集, PS）与Pareto最优前沿（PF）会随环境变化而持续演变，给算法设计带来了巨大挑战。

动态多目标进化算法（DMOEAs）凭借其群体搜索特性，无需依赖问题的数学特性，成为求解DMOPs的主流方法。然而，传统DMOEAs（如DNSGA-II、MOEA/D）在处理动态问题时存在明显局限：当环境发生变化时，算法往往需要重新启动搜索过程，导致收敛速度缓慢；部分算法虽引入历史信息，但易出现“负迁移”现象——即历史知识对新环境搜索产生干扰，反而降低解集质量；同时，在面对复杂动态特性（如目标位置突变、约束条件时变、变量关联变化等）时，算法难以维持解集的收敛性与多样性平衡，无法稳定追踪动态PF的变化。

CEC2018动态多目标优化测试集由IEEE计算智能学会发布，包含DF1-DF14共14个测试函数，涵盖双目标（DF1-DF9）与三目标（DF10-DF14）问题，模拟了目标位置变化、约束条件变化、变量关联变化、PF形状不规则、解集不连续等多种复杂动态场景，是评估DMOEAs性能的权威基准。针对传统算法的缺陷，结合CEC2018测试集的动态特性，设计一种能够有效利用历史知识、缓解负迁移、快速适应环境变化的DMOEA，不仅具有重要的理论研究价值，还能为实际DMOPs的求解提供高效技术支撑。

1.2 研究现状

近年来，国内外学者围绕DMOEAs的改进展开了大量研究，核心思路主要集中在环境变化检测、响应策略优化、历史知识利用三个方面。环境变化检测方面，现有方法主要通过监测目标函数值、种群适应度变化或设置固定周期，实现环境变化的识别，为算法响应提供触发信号；响应策略方面，主要分为多样性引入、预测策略、记忆机制三类，其中预测策略通过挖掘历史环境的变化规律，预测新环境的最优解分布，是提升算法动态适应能力的关键；历史知识利用方面，现有算法多通过存档机制保存历史最优解，但缺乏对知识的有效筛选与迁移，易导致负迁移问题。

基于知识转移的DMOEAs是近年来的研究热点。部分算法引入迁移学习思想，将历史环境的知识（如最优解分布、搜索方向）迁移到新环境中，加速收敛，但这类算法多采用单一迁移策略，难以兼顾知识的有效性与适用性，在环境变化剧烈时仍会出现迁移失效。同时，现有算法在CEC2018测试集上的表现仍有提升空间：针对DF1-DF3的目标位置线性平移、DF4的非线性旋转、DF10-DF14的三目标耦合变化等复杂场景，传统算法往往难以平衡收敛速度与解集多样性，追踪精度不足。

本文针对现有算法的不足，提出KTM-DMOEA算法，通过KTP与KMS双策略的协同作用，实现历史知识的有效转移与维护，缓解负迁移问题，并在CEC2018测试集（DF1-DF14）上进行全面实验验证，验证算法的有效性与优越性。

1.3 研究内容与创新点

1.3.1 研究内容

本文围绕KTM-DMOEA算法的设计、实现与性能验证展开研究，具体内容如下：

1. 梳理动态多目标优化的核心理论，明确DMOPs的数学定义、Pareto最优解的相关概念，分析CEC2018测试集DF1-DF14的动态特性与分类，为算法设计提供理论基础与测试依据。

2. 设计KTM-DMOEA算法框架，重点构建知识转移预测（KTP）与知识维护采样（KMS）双策略，实现历史知识的有效挖掘、筛选、转移与维护，缓解负迁移问题，生成高质量初始种群。

3. 搭建实验平台，以CEC2018测试集DF1-DF14为基准，设置合理的实验参数，将KTM-DMOEA与多种先进DMOEAs进行对比实验，采用HV、IGD、追踪误差等指标定量评估算法性能。

4. 分析实验结果，验证KTM-DMOEA在不同动态场景（双目标/三目标、目标位置变化/约束变化等）下的适应性，总结算法的优势与局限性，并提出未来改进方向。

1.3.2 研究创新点

本文的创新点主要体现在以下两个方面：

1. 提出KTP与KMS双策略协同机制：KTP作为判别式预测器，从新环境随机解中筛选高质量个体，减少环境间的特征差异；KMS作为生成式预测器，对历史精英解分布建模，采样符合新环境变化趋势的优质解，双策略结合既保证了知识转移的有效性，又缓解了负迁移问题，区别于现有单一迁移策略的算法。

2. 针对CEC2018测试集的多样化动态特性，优化算法的环境响应机制，使KTM-DMOEA能够自适应不同类型的动态变化（如线性/非线性目标迁移、约束时变、变量关联变化等），在双目标与三目标问题上均能实现收敛性与多样性的良好平衡，提升了算法的通用性与鲁棒性。

1.4 论文结构

本文共分为6章，具体结构安排如下：第1章为引言，阐述研究背景、意义、现状、内容与创新点；第2章为相关理论基础，介绍动态多目标优化的核心概念与CEC2018测试集DF1-DF14的详细特性；第3章详细设计KTM-DMOEA算法的整体框架与核心策略；第4章搭建实验平台，设置实验参数与对比方案；第5章分析实验结果，验证算法性能；第6章总结全文，指出算法局限性与未来研究方向。

2 相关理论基础

2.2 CEC2018动态多目标测试集（DF1-DF14）特性分析

CEC2018动态多目标优化测试集是评估DMOEAs性能的权威基准，包含DF1-DF14共14个测试函数，涵盖双目标与三目标问题，模拟了多种复杂动态场景，其核心特性如下：

2.2.1 测试集整体分类

根据目标函数个数，CEC2018测试集可分为两类：

1. 双目标测试函数（DF1-DF9）：目标个数m=2，主要考察算法在低维目标空间中对动态变化的适应能力，涵盖目标位置线性/非线性迁移、约束时变、变量关联变化、PF不连续等特性。

2. 三目标测试函数（DF10-DF14）：目标个数m=3，目标空间维度提升，PF为三维曲面，追踪难度显著增加，主要考察算法在高维目标空间中平衡收敛性与多样性的能力，涵盖三目标耦合变化、PF孔洞、退化PF、多峰动态变化等复杂特性。

2.2.2 核心动态特性

DF1-DF14涵盖的动态特性可归纳为以下5类，具体对应关系如表1所示（部分特性）：

1. 目标位置变化：PF或PS的位置随时间线性或非线性迁移，如DF1-DF3的线性平移、DF4的非线性旋转，要求算法具备快速追踪能力。

2. 约束条件变化：约束边界随时间动态收缩或扩张，如DF5中决策变量边界的周期性收缩，增加了解集筛选的难度。

3. 变量关联变化：决策变量之间的关联关系随时间变化，如DF3、DF8的变量联动变化，要求算法能够快速调整搜索方向。

4. PF形状变化：PF的几何形状随时间演变，如DF6的混合凸凹性变化、DF12的PF孔洞变化、DF14的退化PF变化，要求算法维持解集的多样性。

5. 解集分布变化：PS的分布密度、离散程度随时间变化，如DF9的不连续PF片段变化、DF13的多片段PF变化，要求算法生成分布均匀的解集。

2.2.3 测试集的评估价值

CEC2018测试集的优势在于其动态特性的多样性与复杂性，能够全面考察DMOEAs的各项性能：双目标函数（DF1-DF9）可验证算法的基础动态适应能力，三目标函数（DF10-DF14）可验证算法在高维目标空间的性能；不同动态特性（如目标迁移、约束时变等）可验证算法在不同实际场景中的适用性。因此，以该测试集为基准，能够客观、全面地评估KTM-DMOEA算法的性能优势。

2.3 算法性能评估指标

针对动态多目标优化算法的性能评估，需兼顾解集的收敛性、多样性与动态追踪能力，本文选取以下3类常用且权威的指标，均从CEC2018测试集推荐指标中选取，具体定义如下：

3 基于知识转移和维护功能的动态多目标进化算法（KTM-DMOEA）设计

⛳️ 运行结果

🔗 参考文献

[1] 麦伟杰,刘伟莉,钟竞辉.基于机器学习的演化多任务优化框架[J].计算机学报, 2024, 47(1):29-51.DOI:10.11897/SP.J.1016.2024.00029.

[2] 马玥琪.机器学习模型驱动的演化算法研究与应用[D].西安理工大学[2026-02-17].

[3] 周国红,曹婷.商业银行顾客参与对员工服务创新行为的影响机制研究[C]//2012.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇