自适应算子选择(AOS)用于基于不同算子在优化过程中的最新性能,以在线方式确定不同算子的应用率。 本文提出了一种基于强盗的AOS方法,基于适应度等级的多臂强盗(FRRMAB)。 为了跟踪搜索过程的动态,它使用滑动窗口来记录操作员最近的适应度提高率,同时使用衰减机制来增加最佳操作员的选择概率。 由于在大多数基于帕累托支配的多目标进化算法中,定量测量适应性改进非常困难,因此在多目标进化计算中对AOS所做的工作还很少。 基于分解的多目标进化算法(MOEA / D)将多目标优化问题分解为多个标量优化子问题,并同时对其进行优化。 因此,在MOEA / D中使用AOS是自然而可行的。 我们调查了在MOEA / D中使用FRRMAB的几个重要问题。 我们的实验结果表明,FRRMAB是鲁棒的,并且其运算符的选择是合理的。 对比实验还表明,FRRMAB可以显着提高MOEA / D的性能。