进化多目标算法中的自适应变异
摘要：自适应参数控制成功地加速了进化算法的收敛过程。尽管实证和理论研究已经揭示了单目标优化算法的行为特性，但关于自适应如何影响多目标进化算法的研究却非常有限。在本文中，我们进行了以下贡献：(1) 对经典问题（例如OneMinMax、LOTZ、COCZ）进行全面的全局简单多目标进化算法（GSEMO）变体的实验分析；(2) 提出了一种新颖的GSEMO版本，采用自适应变异。 为了实现GSEMO的自适应性，我们探索了单目标优化中的三种自适应变异技术，并使用各种性能度量指标（如超体积和倒数世代距离）来指导适应过程。我们的实验结果显示，基于单目标优化和超体积的变异率自适应可以加快GSEMO的收敛速度。此外，我们提出了一种考虑单目标优化和为每个解调整变异率的GSEMO自适应变异方法。实验证明，所提出的方法在所有测试问题上都优于静态变异率的GSEMO。 这项工作为多目标进化算法提供了全面的基准研究，并补充了现有的理论运行时间分析。我们所提出的算法解决了未来实际应用中多目标进化算法设计的有趣问题。
作者：Furong Ye and Frank Neumann and Jacob de Nobel and Aneta Neumann and Thomas B"ack
论文ID：2303.04611
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-05-09