多模态多目标优化在决策空间与目标空间中的分解
神经与进化计算
2021-02-04 v3
摘要
多模态多目标优化问题（MMMOPs）在帕累托最优集中具有多个子集，每个子集独立映射到同一帕累托前沿。流行的多目标进化算法并非纯粹设计用于搜索多个解子集，而专为 MMMOPs 设计的算法在目标空间中表现出退化的性能。这促使人们设计更好的算法来处理 MMMOPs。本工作识别出源于在整个决策空间上全局使用拥挤距离的拥挤错觉问题。随后，提出了一种称为基于图拉普拉斯的参考向量辅助分解优化（LORD）的进化框架，其利用目标空间与决策空间中的分解来处理 MMMOPs。其过滤步骤被进一步扩展提出 LORD-II 算法，展示了其在多模态多目标问题上的动态特性。通过将框架在 CEC 2019 多模态多目标测试套件和多边形问题上的性能与最先进的 MMMOPs 算法及其他多目标和多目标进化算法比较，确立了框架的有效性。文稿最后提及了所提框架的局限性以及设计更优 MMMOPs 算法的未来方向。源代码见 https://worksupplements.droppages.com/lord。
引用
@article{arxiv.2006.02628,
title = {Decomposition in Decision and Objective Space for Multi-Modal Multi-Objective Optimization},
author = {Monalisa Pal and Sanghamitra Bandyopadhyay},
journal= {arXiv preprint arXiv:2006.02628},
year = {2021}
}
备注
Please visit https://www.sciencedirect.com/science/article/abs/pii/S2210650221000031 or https://doi.org/10.1016/j.swevo.2021.100842