采用均匀随机自适应权重的MOEA/D
神经与进化计算
2020-03-26 v1
摘要
在使用基于分解的算法时，一组适当的权重可能提高最终解的质量。均匀分布的权重集合通常能在帕累托前沿上得到分布良好的解。然而，该方法存在两个主要困难。首先，其效果可能取决于问题几何而失败。其次，随着目标数量增加，种群规模变得不灵活。本文提出采用均匀随机自适应权重的MOEA/D（MOEA/D-URAW），其使用均匀随机方法作为子问题生成途径，即便在处理多目标问题时也允许灵活的种群规模。在进化过程中，MOEA/D-URAW根据种群的稀疏水平添加和移除子问题。此外，我们的方法不要求对帕累托前沿形状作假设，而是在进化过程中使权重适应问题形状。使用具有不同帕累托前沿形状的WFG41-48问题类的实验结果表明，与文献中前沿方法相比，本方法在2至6个目标的被评估问题中77.5%上取得更优或相等的结果。
引用
@article{arxiv.1908.05383,
title = {MOEA/D with Uniformly Randomly Adaptive Weights},
author = {Lucas R. C. de Farias and Pedro H. M. Braga and Hansenclever F. Bassani and Aluizio F. R. Araújo},
journal= {arXiv preprint arXiv:1908.05383},
year = {2020}
}