多目标归档
摘要：多目标优化算法在搜索过程中通常会维护一个明确或隐含的存档。这样的存档可以用来存储呈现给决策者的高质量解决方案，但在许多情况下，存档也会参与搜索过程（例如，作为进化计算中的种群）。在过去的二十年中，存档，即比较新解决方案与先前解决方案并决定如何更新存档/种群的过程，在进化多目标优化（EMO）中一直是一个重要问题。社区不断努力开发各种有效的存档方法，从传统的Pareto方法到最近的基于指标和分解的方法。然而，这些努力的重点是通过特定的质量指标进行经验性性能比较，缺乏从一般理论角度对存档方法进行系统研究。本文试图对多目标存档进行系统概述，希望从理论与实践的整体角度理解存档算法，并更重要的是为如何设计理论上理想且实际有用的存档算法提供指导。在这样做的过程中，我们还提出基于弱Pareto一致性指标（例如epsilon-indicator）的存档算法，只要设计得当，就可以实现与基于Pareto一致性指标（如hypervolume indicator）的存档器相同的理论理想。这些理想包括极限最优性质，即有界存档算法可以具有的最一般形式的解集之间优越性的极限形式。
作者：Miqing Li, Manuel L''opez-Ib''a~nez, Xin Yao
论文ID：2303.09685
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-03-20