使用交叉操作可以保证多目标进化优化中的指数级加速的证明
摘要：进化算法是多目标优化（也称为帕累托优化）的流行算法，因为它们利用种群来存储不同目标之间的权衡。尽管它们很受欢迎，但多目标进化优化（EMO）的理论基础仍处于早期发展阶段。诸如交叉操作的好处等基本问题仍未完全理解。我们对知名的EMO算法GSEMO和NSGA-II进行了理论分析，以展示交叉的可能优势。我们提出了一类问题，这些使用交叉的EMO算法可以在预期的多项式时间内找到帕累托集。与之形成鲜明对比的是，它们和许多其他没有交叉的EMO算法甚至需要指数时间才能找到一个帕累托最优点。这是对广泛使用的NSGA-II算法使用交叉的指数性能差距的首个例子。
作者：Duc-Cuong Dang and Andre Opris and Bahare Salehi and Dirk Sudholt
论文ID：2301.13687
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-02-01