多目标多模态优化

国际期刊International Journal of Complexity in Applied Science and Technology，收录进化计算，机器学习和大数据方面的论文， 投稿网址：https://www.inderscience.com/jhome.php?jcode=ijcast 

多目标多模态优化定义

多目标多模态优化算法（Multi-objective Multimodal Optimization Algorithm, MOMO）旨在同时处理多个目标函数和多个局部最优解。其目标不仅包括找到目标函数的帕累托最优解，还要发现和保持解的多样性，以确保多个不同的解在每个目标下都是最优的。

典型算法

以下是一些典型的多目标多模态优化算法：

1. Niching Multi-Objective Genetic Algorithm (NMO-GA)

   • 基本思想：通过遗传算法的选择、交叉和变异操作，结合群体划分和共享机制，以找到多个帕累托前沿上的不同局部最优解。
   • 典型实现：使用共享函数或距离度量方法来保持解的多样性。

2. Multi-objective Particle Swarm Optimization with Niching (MOPSO-N)

   • 基本思想：在传统粒子群优化的基础上，结合分群策略和共享机制，以确保找到多个帕累托最优解。
   • 典型实现：通过粒子群的全局和局部搜索能力，利用分群策略保持解的多样性。

3. Multi-objective Evolutionary Algorithm based on Decomposition with Niching (MOEA/D-N)

   • 基本思想：通过将多目标优化问题分解成多个子问题，结合分群策略和共享机制，以发现多个不同的帕累托前沿解。
   • 典型实现：使用权重向量和分群策略来引导搜索过程。

4. Hybrid Multi-objective Niching Genetic Algorithm (HMNGA)

   • 基本思想：结合遗传算法和其他启发式算法，通过共享机制和群体划分，找到多个帕累托前沿的局部最优解。
   • 典型实现：结合多种优化策略，如模拟退火或差分进化，以增强算法的多样性保持能力。

5. Evolutionary Multi-objective Optimization with Restricted Mating (EMO-RM)

   • 基本思想：通过限制交配策略，确保不同区域的个体进行交配，从而保持解的多样性并发现多个局部最优解。
   • 典型实现：使用限制交配和共享函数相结合的方法。

典型团队和研究人员

在多目标多模态优化领域，有许多著名的研究团队和学者，以下是其中的一些：

1. Kalyanmoy Deb

   • 机构：密歇根州立大学、印度工业技术学院（IIT）坎普尔分校
   • 贡献：提出了NSGA-II（非支配排序遗传算法II）等经典多目标优化算法，并在多模态优化方面有重要研究。

2. Carlos A. Coello Coello

   • 机构：墨西哥国立自治大学
   • 贡献：在进化多目标优化和多模态优化领域做出了重要贡献，开发了多种优化算法。

3. Yaochu Jin

   • 机构：西湖大学
   • 贡献：在多目标进化算法和多模态优化方面的研究卓有成效，特别是在鲁棒优化和不确定性优化方面有重要贡献。

4. Hussein A. Abbass

   • 机构：澳大利亚国立大学
   • 贡献：在多目标优化和多模态优化方面的研究涉及广泛，提出了多种基于进化计算的优化算法。

5. Hisao Ishibuchi

   • 机构：大阪大学
   • 贡献：在多目标进化算法和模态优化领域的研究中提出了多种创新方法，包括基于分解的方法和分群策略。

6. 梁静

   • 机构：郑州大学
   • 贡献：梁静团队在多目标多模态优化方面做出了突出贡献，提出了多种基于进化计算的优化算法和技术，特别是在多目标优化、群体智能和机器学习方面的交叉研究中有重要成果。

这些团队和研究人员在多目标多模态优化算法的开发和应用中做出了重要贡献，他们的工作推动了这一领域的进展，并促进了其在实际问题中的广泛应用。