摘要:针对传统搜索算子在大规模多目标优化问题中采样效率低的问题, 提出一种双分支自适应搜索(dual-branch adaptive search, DAS)策略. 该策略从种群个体质量差异出发, 基于标量适应度将种群二分为精英与落后子群, 并根据子群特点设计不同的繁殖算子: 精英子群采用协方差自适应扩散策略, 通过对精英分布的截断奇异值分解提取帕累托前沿局部主成分方向, 沿各主成分施加与方差匹配的有向扰动, 将采样聚焦于前沿附近的低维子空间, 以兼顾多样性与收敛精度; 落后子群在目标空间以余弦相似度为每个个体匹配方向最近的精英个体作为引导者, 再以自适应引导迁移算子沿引导方向迁移加速收敛; 搜索方向与步长分别自适应于种群信息和进化进度. 实验结果表明, 将DAS嵌入三类不同环境选择机制的算法后, 在LSMOP测试集的大多数对比中优于原始算法, 优势随决策变量规模增大更显著; 在8个桁架优化问题上, 与先进算法对比, 所提算法具有较强的竞争力.