基于分解的多目标遗传编程中的语义邻域排序

遗传编程中的语义多样性已被证明对进化搜索极为有益。我们见证了该领域科学工作的激增，最初在离散空间，随后转向连续空间。然而，这些工作绝大多数聚焦于单目标遗传编程范式，仅有少数例外关注进化多目标优化（EMO）。后者使用了知名的鲁棒算法，包括非支配排序遗传算法II与强度帕累托进化算法，二者均深受Pareto支配概念影响。这些启发性工作促使我们在EMO中向前一步，考虑基于分解的多目标进化算法（MOEA/D）。我们首次展示了如何在遗传编程的MOEA/D中促进语义多样性。