多模态多目标优化的简单进化算法
摘要：多模态、多目标优化问题（MMOPs）的解决不仅是在目标空间中找到Pareto优化前沿（PF）的一个良好表示，还需要在变量空间中找到所有等效的Pareto优化子集（PSS）。当决策者（DM）有兴趣确定具有类似性能的替代设计时，这类问题在实践中具有相关性。近年来，已有许多研究致力于开发有效的算法来处理MMOPs。然而，现有算法仍然需要大量的函数评估（通常数千次）才能处理仅涉及两个目标和两个变量的问题。这些算法通常嵌入了复杂的、定制的机制，需要额外的参数来管理变量空间和目标空间的多样性和收敛性。在这篇信件中，我们介绍了一种用于解决MMOPs的稳态进化算法，它具有简单的设计，在与标准EA相比没有额外的用户定义参数需要调整。我们使用1000次函数评估的较低计算预算报告了它在来自各种用于基准测试的测试套件中的21个MMOPs上的性能。将该算法的性能与六种最先进的算法（MO Ring PSO SCD、DN-NSGAII、TriMOEA-TA&R、CPDEA、MMOEA/DC和MMEA-WI）进行了比较。根据已建立的指标，包括IGDX、PSP和IGD，所提出的算法显示出显著优于上述算法的性能。我们希望这项研究能够鼓励设计简单、高效和通用的算法，以提高其在实际应用中的应用程度。 标题：一种用于解决多模态、多目标优化问题的稳态进化算法的性能研究
作者：Tapabrata Ray, Mohammad Mohiuddin Mamun and Hemant Kumar Singh
论文ID：2201.06718
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2022-10-24