泛化多模态多目标协同进化框架
摘要：多模态多目标进化算法(MMEAs)的大多数目标是寻找多模态多目标优化问题(MMOP)的全部全局Pareto最优解集(PSs)。然而，在现实世界中，决策者(DMs)可能还对局部PSs感兴趣。此外，同时寻找全局和局部PSs在处理MMOPs方面更具一般性，可以看作是一种广义的MMOP。此外，目前的MMEAs在高维度MMOPs上的收敛性较差。为了解决上述两个问题，本研究提出了一种称为CoMMEA的新型共进化框架，用于多模态多目标优化，以更好地获得全局和局部PSs，并同时提高在处理高维度MMOPs时的收敛性能。具体来说，CoMMEA在搜索过程中引入了两个存档，并通过有效的知识传递同时进行共进化。收敛存档协助CoMMEA快速接近Pareto最优前沿(PF)。然后，收敛解的知识被传递给多样性存档，该存档利用局部收敛指标和基于epsilon支配的方法有效地获得全局和局部PSs。实验结果表明，与54个复杂MMOP上的七种先进MMEAs相比，CoMMEA具有竞争力。
作者：Wenhua Li, Xingyi Yao, Kaiwen Li, Rui Wang, Tao Zhang, Ling Wang
论文ID：2212.01219
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-06-13