偏好融入多目标优化：一种基于级别高于关系的蚁群算法
神经与进化计算
2021-07-16 v1
摘要
本文中，我们通过区间级别高于关系（interval outranking）增强蚁群优化（ACO），开发了一种新颖的多目标 ACO 优化器以处理具有多个目标函数的问题。若决策者（DM）的偏好可通过级别高于关系建模，则该方案适用。所提出的算法（命名为基于区间级别高于关系的 ACO，IO-ACO）是首个嵌入级别高于模型以承载 DM 偏好模糊性与不确定性的蚁群优化器。这一能力是 IO-ACO 最具差异化的特征，因为该问题在实践中高度相关。IO-ACO 将搜索偏向兴趣区域（RoI），即帕累托前沿中包含更匹配 DM 偏好的解的优先区域。我们利用两个被广泛研究的基准测试套件 DTLZ 和 WFG 来衡量 IO-ACO 的效率。据此，IO-ACO 与两种有竞争力的多目标优化器进行比较：基于指标的 Many-Objective ACO 和基于分解的多目标进化算法。数值结果表明，相较于仅基于逼近帕累托前沿的领先元启发式算法，IO-ACO 能更好地逼近兴趣区域（RoI）。
引用
@article{arxiv.2107.07121,
title = {Preference Incorporation into Many-Objective Optimization: An Outranking-based Ant Colony Algorithm},
author = {Gilberto Rivera and Carlos A. Coello Coello and Laura Cruz-Reyes and Eduardo R. Fernandez and Claudia Gomez-Santillan and Nelson Rangel-Valdez},
journal= {arXiv preprint arXiv:2107.07121},
year = {2021}
}
备注
23 pages, 2 figures, 4 tables. submitted to Swarm and Evolutionary Computation Journal