合作协同进化的混合NSGA-II与链接测量最小化在大规模多目标优化中
摘要：基于合作进化的大规模多目标问题中的可变分组方法的提出: 链接测量最小化(LMM)。以及针对子问题优化阶段，我们提出了一种基于估计收敛点的高斯采样算子的混合NSGA-II。在变量分组阶段，根据我们之前的研究，我们将变量分组问题视为组合优化问题，并根据通过非线性检验实际代码(LINC-R)进行联动识别，设计了联动测量函数。我们将这种可变分组方法扩展到大规模多目标问题。在子问题优化阶段，我们假设在Pareto前沿附近存在更好的解的概率更高。基于这个假设，我们在每一代优化中估计一个收敛点，并在收敛点周围进行高斯采样。具有良好目标值的样本将作为精英参与优化。数值实验证明，我们的可变分组方法优于一些流行的可变分组方法，而混合NSGA-II在多目标问题优化方面有广阔的前景。
作者：Rui Zhong and Masaharu Munetomo
论文ID：2208.13415
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2022-08-30