基于IGD指标的多目标优化问题进化算法
神经与进化计算
2018-02-27 v1
摘要
反转世代距离（IGD）已被广泛认为是一种可靠的性能指标，可同时量化多与多目标进化算法的收敛性与多样性。本文提出一种基于IGD指标、用于求解多目标优化问题（MaOPs）的进化算法。具体而言，每一代中使用IGD指标选取具有良好收敛性与多样性的解。此外，设计了一种计算高效的优势比较方法，用以赋予解秩值，并配合三种新提出的邻近距离分配。基于这两处设计，通过线性分配机制从全局视角选取解，以同时兼顾收敛性与多样性。为提升用于计算IGD指标的采样参考点的准确性，我们还提出了一种高效的基于分解的纳达尔点估计方法，用于构建乌托邦帕累托前沿，该前沿在进化早期被视为真实世界MaOPs的最佳近似帕累托前沿。为评估性能，在所提算法与一组选定的最先进多目标优化算法之间，针对具有 -、- 和 -目标的最优化问题开展了一系列实验。由所选性能指标衡量的实验结果表明，所提算法在求解MaOPs方面极具竞争力。
引用
@article{arxiv.1802.08792,
title = {IGD Indicator-based Evolutionary Algorithm for Many-objective Optimization Problems},
author = {Yanan Sun and Gary G. Yen and Zhang Yi},
journal= {arXiv preprint arXiv:1802.08792},
year = {2018}
}
备注
This paper has been accepted by IEEE Transactions on Evolutionary Computation