多目标演化算法在组合优化问题中的可扩展性
人机交互
2026-04-21 v1
摘要
演化算法的可扩展性指的是其性能随问题规模变化的评估。在多目标优化领域，关于多目标演化算法 (MOEA) 在组合问题上的可扩展性研究主要聚焦于连续问题。然而，多目标组合优化问题 (MOCOP) 与连续问题不同。其离散和刚性结构常带来粗糙的景观、众多的局部最优解以及离散的全局最优区域。这导致 MOEA 的行为呈现不同。例如，SEMO 这种没有配子选择和多样性维护机制的简单 MOEA 在 MOCOP 上已被证明非常具竞争力，甚至在许多情况下超过更复杂的 MOEA。然而，对于大规模案例，是否存在这种发现仍不清楚。本文我们对 MOEA 在组合问题上的可扩展性进行经验性调查，问题规模从 50 扩展至 5,000。我们的结果表明，随着维度数的增加，SEMO 的收敛速度下降，优于 NSGA-II、SMS-EMOA 和 MOEA/D 等其他 MOEA。我们进一步证明，缺乏交叉是 SEMO 在大规模问题中表现不佳的主要原因，而将交叉纳入 SEMO 可在一般情况下显著加速收敛，尽管在 Pareto 前沿的分布方面有害。
引用
@article{arxiv.2604.17871,
title = {Design and Evaluation of a Culturally Adapted Multimodal Virtual Agent for PTSD Screening},
author = {Cengiz Ozel and Waleed Nadeem and Samuel Potter and Yahya Bokhari and Bdour Alwuqaysi and Wejdan Alotaibi and Rahaf Fahad Alnufaie and Sabri Boughorbel and Abdulrhman Aljouie and Rakan Altasan and Ehsan Hoque},
journal= {arXiv preprint arXiv:2604.17871},
year = {2026}
}