精品代码
IEEE CEC2026多模态多目标优化竞赛-NCG-GSEA算法-MATLAB完整实现
IEEE CEC 2026多模态多目标优化竞赛算法，NCG-GSEA采用网格自适应探索框架，集成邻域引导重探索和聚类引导环境选择，支持37个MMO测试问题和IGED评价，维度自适应策略(低维100%局部/高维80%+20%混合)
项目说明
项目简介
NCG-GSEA（Neighborhood and Cluster Guided Grid Self-Adaptive Exploration Algorithm）是提交至IEEE CEC 2026多模态多目标优化竞赛的高性能演化算法。
核心价值
- 竞赛专用：针对IEEE CEC 2026 MMO竞赛官方基准设计
- 维度自适应：低维(D小于10)和高维(D大于等于10)自动切换策略
- 网格探索：基于空间分割的高效搜索机制
- 邻域引导：利用局部邻域信息进行精细搜索
- 聚类引导：通过聚类识别多个最优解峰
算法创新
- 邻域引导重探索：针对已搜索网格单元进行再探索
- 聚类引导选择：决策空间K-Means聚类识别多峰
- 维度感知隔离：低维100%局部搜索，高维80%局部+20%全局
- 网格自适应：根据评估预算和维度动态调整网格分辨率
问题类型
多模态多目标优化（MMOPs）同时具有：
- 多目标性：需要优化多个相互冲突的目标函数
- 多模态性：决策空间存在多个等价的Pareto最优峰
- 挑战：既要保持目标空间收敛性，又要维护决策空间多样性
竞赛基准
- 问题数量：37个问题(Standard/Restricted/Composite三类)
- 测试协议：10个实例 × 4次独立运行 = 1,480次总运行
- 评价指标：IGED(同时衡量目标空间和决策空间)
算法架构
- 网格划分：V = ceil((MaxFE/D)^(1/D))自适应分辨率
- 锦标赛选择：基于拥挤距离和前沿编号
- 邻域引导DE：K=15最近邻，维度自适应搜索
- 聚类引导选择：决策空间聚类识别多个峰
- 环境选择：非支配排序+聚类代表+拥挤距离
主要参数
popScale = 1.25：种群规模倍数K_neighbor = 15：邻域规模P_global = 0.2：高维全局搜索概率(20%)T_stage = 0.2：阶段切换比例
快速开始
% MATLAB环境addpath(genpath(pwd))% 运行完整实验run_cec2026_experiments% 评估IGED结果evaluate_iged_results单个问题测试
rng(1)[Dec, Obj] = platemo("algorithm", @NCG_GSEA,"problem", {@CEC2026_CMMOP, 1, 1, 1.25},"save", 0);应用场景
- 工程设计：多种结构方案达到相同性能
- 机器学习：神经网络架构搜索、超参数优化
- 路径规划：多机器人路径、TSP多目标
- 资源分配：投资组合、能源管理
环境要求
MATLAB R2018a+PlatEMO框架(需单独下载)