一种基于分解的带局部迭代更新的多目标进化算法
神经与进化计算
2018-06-29 v1
摘要
已有研究表明，基于分解的传统多目标进化算法 (MOEA) 在求解某些多目标优化问题时可能丧失种群多样性。本文提出一种简单的基于分解且带局部迭代更新 (LIU) 的 MOEA。LIU 策略具有两个期望驱动种群以良好分布逼近 Pareto 前沿的特征。其一，当前邻域中最差的解才被新生成的后代替换，防止种群被少数个体的副本占据。其二，其迭代过程有助于将更优解分配给子问题，有利于充分利用解对邻近子问题的相似性并探索搜索空间中的局部区域。此外，由于每次更新仅考虑当前邻域内的个体，所提算法的时间复杂度与 MOEA/D 相同，且低于其他已知 MOEA。该算法在选自两个著名测试套件 DTLZ 和 WFG 的问题上与若干最佳 MOEA 进行比较。实验结果表明，仅算法在 DTLZ4 上的极少数运行实例丧失了种群多样性。而且，算法在运行时间与解质量的大多数测试实例上均胜出，表明其求解 MaOPs 非常有效。
引用
@article{arxiv.1806.10950,
title = {A Decomposition-Based Many-Objective Evolutionary Algorithm with Local Iterative Update},
author = {Yingyu Zhang and Bing Zeng},
journal= {arXiv preprint arXiv:1806.10950},
year = {2018}
}
备注
arXiv admin note: text overlap with arXiv:1803.06282