进化多目标优化中从大型候选解集的快速贪心子集选择
神经与进化计算
2021-09-23 v1
摘要
子集选择是进化多目标优化（EMO）领域中一个有趣且重要的课题。特别地，在具有无界外部存档的EMO算法中，子集选择是选择预定数量解作为最终结果的基本后处理步骤。本文中，我们讨论了针对超体积、IGD和IGD+指标的贪心子集选择效率。贪心算法通常能高效处理子集选择。然而，当给定大量解时（例如，从无界外部存档中数万解进行子集选择），它们往往变得耗时。我们的思路是利用已知对超体积指标成立的次模性质来提升其效率。首先，我们证明IGD和IGD+指标也是次模的。接下来，基于次模性质，我们针对每个指标提出了一种高效的贪心包含算法。然后，我们通过计算实验证明所提算法比标准贪心子集选择算法快得多。
引用
@article{arxiv.2102.00941,
title = {Fast Greedy Subset Selection from Large Candidate Solution Sets in Evolutionary Multi-objective Optimization},
author = {Weiyu Chen and Hisao Ishibuchi and Ke Shang},
journal= {arXiv preprint arXiv:2102.00941},
year = {2021}
}
备注
This paper is under review for publication in the IEEE Trans. on Evolutionary Computation. arXiv admin note: substantial text overlap with arXiv:2007.02050