高效地平衡算法的多样性、收敛性和可行性是求解约束多目标优化问题(CMOP)的关键;然而,复杂约束的出现给该类问题的求解带来了更大的挑战。因此,提出一种基于双阶段搜索的约束进化多任务优化算法(TEMA),通过完成两个协同进化的任务实现多样性、收敛性和可行性之间的平衡。首先,进化过程由探索和利用两个阶段组成,分别致力于加强算法在目标空间的广泛探索能力和高效搜索能力;其次,设计一种动态约束处理策略以平衡种群中可行解的比例,从而增强算法在可行区域的探索能力;再次,提出一种回退搜索策略,利用无约束Pareto前沿所包含的信息指导算法向约束Pareto前沿快速收敛;最后,在两个基准测试集中的23个问题上进行对比实验。实验结果表明,TEMA分别在14个和13个测试问题上取得最优反世代距离(IGD)值和超体积(HV)值,体现出明显优势。
现有的信任模型在信任路径搜索方面存在两个方面的不足:搜索过程中影响信任值的因素考虑得尚不够全面,或者同一而论;同时,对邻居节点选取时,忽略了双方交互次数的重要性。针对以上两点问题,基于图论提出了一种路径过滤性搜索算法。该算法首先引入基于交互次数的诚实可信度,用以进一步衡量节点的可信程度,并作为搜索优先级的依据,使得搜索的优先顺序更加合理。同时基于影响节点可信度的多重因素进行过滤性搜索。通过算法分析,该算法算法复杂度(n-m)2量级,比原一般细粒度算法n2量级明显降低。实验结果表明,该算法能够更好地过滤掉恶意节点,提高信任路径搜索算法的准确性,抵制恶意节点攻击。