采用随机部分更新策略的 MOEA/D
人工智能
2020-09-30 v1 神经与进化计算
摘要
近期关于资源分配的研究表明，在 MOEA/D 框架下某些子问题比其他子问题更重要，且聚焦于最相关的子问题能够持续提高该算法的性能。这些研究的共同特征是在算法任意给定迭代中仅更新种群的一部分。本文中，我们研究了一种新的、更简单的部分更新策略，即在每次迭代中随机选取一个解的子集。使用这种新资源分配方法的 MOEA/D 的性能，在标准 MOEA/D-DE 与基于相对改进的 MOEA/D 资源分配下进行了实验对比。结果表明，采用这种新部分更新策略的 MOEA/D 获得了更优的 HV 与 IGD 值，以及高得多的非支配解比例，尤其在每次迭代更新解的数量减少时更为明显。
引用
@article{arxiv.2001.06980,
title = {MOEA/D with Random Partial Update Strategy},
author = {Yuri Lavinas and Claus Aranha and Marcelo Ladeira and Felipe Campelo},
journal= {arXiv preprint arXiv:2001.06980},
year = {2020}
}