带无界外部存档的MOEA/D的算法配置
神经与进化计算
2020-07-28 v1
摘要
在进化多目标优化（EMO）领域，通常假设将最终种群作为EMO算法执行的结果呈现给决策者。最近，一些研究中使用无界外部存档来评估EMO算法的性能，其中从所有考察过的非支配解中选取预先指定数量的解。在该被称为解选择框架的框架下，最终种群不必是一个好的解集。因此，相较于最终种群框架，解选择框架为EMO算法的设计提供了更高的灵活性。本文中，我们考察了MOEA/D在这两个框架下的设计。首先，我们通过具有不同初始与最终参考点设定组合的计算实验表明，MOEA/D的性能可通过在其执行过程中线性改变参考点设定而得到提升。我们观察到解选择框架具有鲁棒且高性能的表现。接着，我们考察了使用基于遗传算法的离线超启发式方法来寻找各框架下MOEA/D的最佳配置。最后，我们进一步讨论了在解选择框架下EMO算法执行后的解选择。
引用
@article{arxiv.2007.13352,
title = {Algorithm Configurations of MOEA/D with an Unbounded External Archive},
author = {Lie Meng Pang and Hisao Ishibuchi and Ke Shang},
journal= {arXiv preprint arXiv:2007.13352},
year = {2020}
}