交互式进化多目标优化中相关目标的动态检测与偏好漂移的适应
人工智能
2024-11-08 v1 神经与进化计算
最优化与控制
摘要
进化多目标优化算法（EMOAs）被广泛用于处理具有多个冲突目标的问题。近期研究表明，并非所有目标对决策者（DM）同等重要。在交互式 EMOA 的语境中，优化过程中从 DM 获取的偏好信息可用于识别和丢弃无关目标，这在目标评估计算代价高昂时是关键步骤。然而，现有大量文献未能考虑 DM 偏好的动态特性，这些偏好可以在决策过程中不断演变，并影响目标的相关性。本研究通过在基于排名的交互式算法中模拟 DM 偏好的动态变化来解决这一局限。此外，我们提出了在发生此类变化时丢弃过时或冲突偏好的方法。在先前研究的基础上，我们还引入了一种机制来保护可能因与 DM 提供的排名相关性降低而陷入局部或全局最优的相关目标。我们的实验结果表明，所提出的方法能有效管理不断演变的偏好，并显著提升算法产生的解的质量和可取性。
引用
@article{arxiv.2411.04547,
title = {Dynamic Detection of Relevant Objectives and Adaptation to Preference Drifts in Interactive Evolutionary Multi-Objective Optimization},
author = {Seyed Mahdi Shavarani and Mahmoud Golabi and Richard Allmendinger and Lhassane Idoumghar},
journal= {arXiv preprint arXiv:2411.04547},
year = {2024}
}