决策空间与目标空间离散化对进化多目标优化算法性能的影响
神经与进化计算
2020-03-24 v1
摘要
近来，决策空间与目标空间的离散化在文献中得到了讨论。一些研究表明，决策空间离散化提升了进化多目标优化（EMO）算法在连续多目标测试问题上的性能。其他研究则表明，目标空间离散化提升了在组合多目标问题上的性能。然而，两个空间同时离散化的影响尚未在文献中被考察。本文中，我们通过对 DTLZ 和 WFG 问题进行计算实验，考察了决策空间离散化、目标空间离散化以及同时离散化对 NSGA-II 性能的影响。利用关于决策变量数和目标数目的多种设置，我们的实验在四类问题上进行：标准问题、大规模问题、多目标问题和大规模多目标问题。我们表明决策空间离散化对大规模问题有正向影响，而目标空间离散化对多目标问题有正向影响。我们还表明两个空间的离散化对大规模多目标问题是有用的。
引用
@article{arxiv.2003.09917,
title = {Effects of Discretization of Decision and Objective Spaces on the Performance of Evolutionary Multiobjective Optimization Algorithms},
author = {Weiyu Chen and Hisao Ishibuchi and Ke Shang},
journal= {arXiv preprint arXiv:2003.09917},
year = {2020}
}
备注
2019 IEEE Symposium Series on Computational Intelligence (SSCI)