用于具有大不可行区域的 CMOPs 的 MOEA/D 改进 Epsilon 约束处理方法
神经与进化计算
2017-09-19 v1
摘要
本文提出了一种改进的 epsilon 约束处理机制，并将其与基于分解的多目标进化算法（MOEA/D）相结合，以求解约束多目标优化问题（CMOPs）。所提出的约束多目标进化算法（CMOEA）被命名为 MOEA/D-IEpsilon。它根据当前种群中可行解与总解数的比值（RFS）动态调整 epsilon 水平。为了评估 MOEA/D-IEpsilon 的性能，设计了一组新的具有大不可行区域（相对于可行区域）的双目标和三目标 CMOPs，称为 LIR-CMOPs。然后使用包括 LIR-CMOP1-14 在内的十四个基准，测试 MOEA/D-IEpsilon 和另外四种基于分解的 CMOEAs，包括 MOEA/D-Epsilon、MOEA/D-SR、MOEA/D-CDP 和 C-MOEA/D。实验结果表明，MOEA/D-IEpsilon 在所有测试实例上均显著优于其他四种 CMOEAs，这表明 MOEA/D-IEpsilon 更适合求解具有大不可行区域的 CMOPs。此外，使用一个实际问题，即机器人夹爪优化问题，来测试这五种 CMOEAs。实验结果表明，MOEA/D-IEpsilon 在该问题上也优于其他四种 CMOEAs。
引用
@article{arxiv.1707.08767,
title = {An Improved Epsilon Constraint-handling Method in MOEA/D for CMOPs with Large Infeasible Regions},
author = {Zhun Fan and Wenji Li and Xinye Cai and Han Huang and Yi Fang and Yugen You and Jiajie Mo and Caimin Wei and Erik Goodman},
journal= {arXiv preprint arXiv:1707.08767},
year = {2017}
}
备注
17 pages, 7 figures and 6 tables