这篇文章2016年发表在TEC。
作者是Ran Cheng, Yaochu Jin, Fellow, IEEE, Markus Olhofer, and Bernhard Sendhoff, Senior Member, IEEE
这篇文章针对高维问题提出了一个基于参考向量的进化算法。参考向量不仅仅用于将原始多目标优化问题分解成多个单目标问题,还表明用户偏好,以针对整个PF面上的一个偏好子集。这篇文章提出了一个标量化方法(APD),用于平衡高维目标空间中解的收敛性和分布性。还提出了一个自适应的策略用于根据目标函数值的规模动态的调整 参考向量的分布。
本文贡献:
- Angle-penalized distance(APD)
比起基于欧式距离的PBI,APD标准化更简单,可扩展性更强 - An reference vector adaptive strategy
- Preference articulation
- A reference vector regeneration strategy
- Further extended for solving constrains MOPs
详细算法:
A. Elitism strategy
B. Offspring Creation
从当前种群给到N个个体,配对成N/2对父代