基于关联度量最小化的合作协同进化混合NSGA-II用于大规模多目标优化
神经与进化计算
2022-08-30 v1
摘要
本文针对大规模多目标问题(LSMOPs)提出一种基于合作协同进化的变量分组方法,称为关联度量最小化(LMM)。针对子问题优化阶段,提出一种基于估计收敛点的高斯采样算子的混合NSGA-II。在变量分组阶段,根据我们先前的研究,将变量分组问题视为组合优化问题,并基于实码非线性检验的关联识别(LINC-R)设计关联度量函数。我们将该变量分组方法扩展至LSMOPs。在子问题优化阶段,我们假设在帕累托前沿(PF)附近存在更优解的概率更高。基于此假设,我们在优化的每一代估计一个收敛点,并在收敛点周围执行高斯采样。具有良好目标值的样本将作为精英参与优化。数值实验表明,我们的变量分组方法优于一些流行的变量分组方法,且混合NSGA-II在多目标问题优化中具有广阔前景。
引用
@article{arxiv.2208.13415,
title = {Cooperative coevolutionary hybrid NSGA-II with Linkage Measurement Minimization for Large-scale Multi-objective optimization},
author = {Rui Zhong and Masaharu Munetomo},
journal= {arXiv preprint arXiv:2208.13415},
year = {2022}
}