基于非拥挤超体积的多目标优化与基因池最优混合
神经与进化计算
2020-04-13 v1
摘要
基于支配的多目标（MO）进化算法（EA）可以说是当今使用最频繁的一类 MOEA。然而，当种群中多数个体变为非支配时，这些方法会停滞，阻碍向帕累托集收敛。基于超体积的多目标优化已显示出克服此问题的良好前景。但直接使用超体积会导致对受支配解没有选择压力。近期提出的 Sofomore 框架通过求解多个交错的单目标动态问题来克服这一点，这些问题基于非拥挤超体积改进（UHVI）迭代地改进单一近似集。但因此它丧失了基于种群的多目标优化的诸多优势，例如处理多模态的能力。在此，我们将 UHVI 重新表述为一种用于近似集的质量度量，称为非拥挤超体积（UHV），它可用于通过单目标优化器直接求解多目标优化问题。我们使用最先进的基因池最优混合进化算法（GOMEA），其能够高效利用该问题内在可用的灰盒特性。所得算法 UHV-GOMEA 与配备 GOMEA 的 Sofomore 以及基于支配的 MO-GOMEA 进行比较。在此过程中，我们考察在哪些场景下基于支配或基于超体积的方法更受青睐。最后，我们构建了一种简单混合方法，将 MO-GOMEA 与 UHV-GOMEA 结合，其性能优于两者。
引用
@article{arxiv.2004.05068,
title = {Uncrowded Hypervolume-based Multi-objective Optimization with Gene-pool Optimal Mixing},
author = {S. C. Maree and T. Alderliesten and P. A. N. Bosman},
journal= {arXiv preprint arXiv:2004.05068},
year = {2020}
}