基于分解的多目标遗传编程中语义促进方法

遗传编程（GP）中语义的研究处理程序在给定一组输入下的行为，并已被广泛报道有助于促进 GP 在一系列复杂问题中的多样性，最终改善演化搜索。这些研究中的绝大多数将注意力集中在单目标 GP 上，仅有少数例外使用基于 Pareto 支配的算法（如 NSGA-II 和 SPEA2）作为框架来测试高度流行的基于语义的方法（如基于语义相似性的交叉（SSC））是有助还是阻碍演化搜索。令人惊讶的是，有报道称 SSC 在 SOGP 中展现的益处并未在基于 Pareto 支配的多目标 GP 中看到。在这项工作中，我们感兴趣的是研究同样的情况是否出现在基于分解的多目标演化算法（MOEA/D）中。通过使用机器学习界常用的知名数据集 MNIST，我们展示了 MOEA/D 中的 SSC 促进了语义多样性，相较于规范 MOEA/D 中不存在该方法时产生了更好的结果。