摘要： 在ICV安全防御场景中，随着车载网络攻击面的持续扩张，安全策略的决策变量数量急剧攀升，大规模多目标优化中的“维度陷阱”问题显著降低了进化算法的收敛速度，导致算法难以在有限计算资源约束下，同时完成安全覆盖率、实时响应延迟与能耗开销的优化。现有方法通常通过减少决策变量数量或压缩变量搜索范围缓解这一难题，但该方式易引发信息缺失、求解精度下降等问题。文章提出了一种面向智能网联汽车安全策略优化的LMEA-ICV算法，该算法将降维操作与模糊预测进行互补融合，旨在提升安全策略帕累托前沿的准确性。首先，文章设计了一种多阶段策略，逐步降低ICV安全场景中大规模多目标优化问题的复杂度；然后，提出了一种基于竞争群优化器的环境选择机制，以平衡车载防御策略种群的收敛性与对抗多种攻击类型的多样性。为验证所提出算法的性能，在大规模多目标优化问题集上，与4种先进的大规模多目标进化算法开展了对比实验。实验结果表明，本文所提出的基于多阶段策略的大规模多目标进化算法在整体性能上显著优于对比算法。

关键词: 大规模多目标优化, 智能网联汽车, 进化算法, 模糊分解, 问题转换