基于权衡效用的拐点识别方法
最优化与控制
2020-05-26 v1 神经与进化计算
摘要
拐点，其特征是在所有目标上具有最小的权衡损失，对多准则决策中的决策者具有吸引力。相比之下，其他帕累托最优解的吸引力较小，因为在一个目标上的微小改进可能导致至少一个其他目标的显著退化。在本文中，我们提出了一种简单有效的基于权衡效用的拐点识别方法，称为 KPITU，以帮助决策者从给定的一组权衡解中识别拐点。KPITU 的基本思想是通过比较一个解与其邻域内其他解的权衡效用，来顺序验证该解是否为拐点。特别地，一个解是拐点当且仅当它在其邻居中具有最佳的权衡效用。此外，我们实现了 KPITU 的 GPU 版本，以并行方式进行拐点识别。该 GPU 版本将最坏情况复杂度从二次降低到线性。为了验证 KPITU 的有效性，我们在 134 个测试问题实例上将其性能与五种最先进的拐点识别方法进行了比较。实证结果充分证明了 KPITU 的卓越性能，尤其是在具有许多局部拐点的问题上。最后，我们进一步验证了 KPITU 在引导 EMO 算法在进化过程中动态搜索拐点的有用性。
引用
@article{arxiv.2005.11600,
title = {Knee Point Identification Based on Trade-Off Utility},
author = {Ke Li and Haifeng Nie and Huifu Gao and Xin Yao},
journal= {arXiv preprint arXiv:2005.11600},
year = {2020}
}