动态多目标优化中的知识转移与目标数量变化
摘要：动态多目标优化问题中，目标数量变化的问题通常会导致Pareto前沿或Pareto集合流形的扩展或收缩。由于知识传输可以从解决一个问题实例到解决另一个相关问题实例中传递有用的信息，因此已经使用知识传输来解决动态多目标优化问题。然而，我们发现目前针对目标数量变化的动态多目标优化问题的知识传输算法缺乏足够的多样性，当适应度景观和Pareto前沿形状呈现非可分离性、欺骗性或其他具有挑战性的特征时。因此，我们提出了一种知识传输动态多目标进化算法（KTDMOEA），通过在目标数量增加/减少时通过扩展/收缩Pareto集合来增强种群多样性。这使得在优化之后可以获得具有较好收敛性和多样性的解集。使用13个具有变化目标数量的动态多目标优化问题基准进行的综合研究表明，与现有算法相比，我们提出的KTDMOEA能够成功增强种群多样性，改善在快速变化环境中的优化。
作者：Gan Ruan, Leandro L. Minku, Stefan Menzel, Bernhard Sendhoff and Xin Yao
论文ID：2306.10668
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-06-21