前言
提醒：
文章内容为方便作者自己后日复习与查阅而进行的书写与发布，其中引用内容都会使用链接表明出处（如有侵权问题，请及时联系）。
其中内容多为一次书写，缺少检查与订正，如有问题或其他拓展及意见建议，欢迎评论区讨论交流。
内容由AI辅助生成，仅经笔者审核整理，请甄别食用。
文章目录
- 前言
- 🔍 一、外部存档的作用概述
- 🧠 二、为什么需要外部存档？
- 📦 三、外部存档的工作机制（分步骤详解）
- 1. **初始化时：**
- 2. **每一代更新时：**
- a. 合并当前粒子和存档：
- b. 再次筛选**非支配解**：
- c. 如果存档大小超出最大容量（如 50）：
- 👨🏫 四、外部存档在算法中的角色举例
- 🎯 五、MOPSO 中没有外部存档会怎样？
- 🧩 六、扩展说明：常见外部存档机制
- ✅ 七、小结
在多目标粒子群优化（MOPSO）算法中，外部存档（External Archive） 是一个关键机制，用于存储算法迭代过程中发现的非支配解（Pareto optimal solutions）。它是多目标优化中保持帕累托解集多样性和精英性的核心组件。
🔍 一、外部存档的作用概述
| 功能 | 说明 |
|---|---|
| ✅ 储存非支配解 | 存档中只保留当前发现的“最优且互不支配”的解 |
| ✅ 引导粒子搜索 | 存档中的解用作 领导者（leader） 引导粒子向 Pareto 前沿逼近 |
| ✅ 保持多样性 | 通过裁剪机制（如拥挤距离），保持解的分布均匀 |
| ✅ 输出最优前沿 | 算法终止后，外部存档即为近似的 Pareto 最优解集 |
🧠 二、为什么需要外部存档？
在单目标 PSO中，全局最优解是一个点，容易更新。
但在多目标优化中，不存在单一最优解，而是一个Pareto 最优解集：
- 解之间是互不可比较的（即不支配彼此）
- 所以不能简单用一个
gbest表示最优解 - 因此引入外部存档来保存当前最优解集合（非支配解）
📦 三、外部存档的工作机制（分步骤详解）
1. 初始化时：
- 从初始种群中筛选出所有非支配解，放入存档
Rep
数学判断标准（Dominates）：
a≺b⟺∀i,ai≤bi且∃j,aj<bj\mathbf{a} \prec \mathbf{b} \iff \forall i,\, a_i \leq b_i\quad \text{且} \quad \exists j,\, a_j < b_j a≺b⟺∀i,ai≤bi且∃j,aj<bj
2. 每一代更新时：
a. 合并当前粒子和存档：
Rep = [Rep, particle];
b. 再次筛选非支配解：
Rep = GetNonDominated(Rep);
c. 如果存档大小超出最大容量（如 50）：
通过 ReduceArchive 执行“拥挤度裁剪”：
- 计算所有解之间的距离矩阵
- 平均距离大 = 分布稀疏 → 保留
- 平均距离小 = 密集 → 优先删除
目的是增强分布均匀性，避免解集中在某些区域
👨🏫 四、外部存档在算法中的角色举例
| 组件 | 单目标 PSO | 多目标 MOPSO |
|---|---|---|
| 最优记录 | 记录单个 gbest | 维护非支配解集 Rep |
| 引导搜索 | 所有粒子参考同一个 gbest | 每个粒子随机选一个 leader ∈ Rep |
| 收敛性保障 | 通过 gbest 传导优秀解 | 通过 Rep 传导帕累托前沿 |
| 多样性控制 | 靠参数或变异 | 外部存档裁剪机制（如拥挤度） |
🎯 五、MOPSO 中没有外部存档会怎样？
- 📉 失去收敛性保障：非支配解不能被记录，可能被新的劣解覆盖
- 🎲 缺乏搜索方向：没有合理
leader引导粒子逼近 Pareto 前沿 - 🔁 粒子重复搜索：多个粒子盲目收敛到相近区域，降低解的多样性
- 📈 最终结果无法展示：算法结束时没有一组可供分析的 Pareto 解集
🧩 六、扩展说明：常见外部存档机制
| 技术 | 功能 | 示例算法 |
|---|---|---|
| 非支配排序 + 拥挤度裁剪 | 保留边界与分布均匀性 | MOPSO、NSGA-II |
| ε-支配存档 | 保证解集均匀覆盖 | ε-MOPSO |
| 网格机制（Grid Archive） | 在解空间建立网格增强多样性 | MOPSO with Adaptive Grid |
✅ 七、小结
外部存档在 MOPSO 中是不可或缺的精英保存机制，它具有以下关键功能：
- 🧠 保持非支配帕累托解集
- 🚀 引导粒子朝帕累托前沿搜索
- 🎨 保证解的分布多样性
- 📊 提供最终优化结果
)
