参考文献:
《Ye Tian, Ran Cheng, Xingyi Zhang, Fan Cheng, and Yaochu Jin, Fellow, IEEE:An Indicator-Based Multiobjective Evolutionary Algorithm With Reference Point Adaptation for Better Versatility》
要点
- MOEA算法的性能很大程度上取决于待求解问题的帕累托前沿形状,而大多数现有的多目标进化算法在具有不同帕累托前沿形状的问题上表现出较差的通用性。
- 提出了一种基于增强型反世代距离指标(an enhanced inverted generational distance indicator)的MOEA方法,其中提出了一种适应方法,根据外部档案中候选解的指标贡献来调整一组参考点。
一、简介
由于多个目标之间的冲突性质,不存在能够优化所有目标的单一最优解;相反,许多解可以作为不同目标之间的权衡来获得,称为帕累托最优集。为了逼近帕累托最优集,在过去的二十年里,许多多目标进化算法发展起来,大致可以分为三类:
- 第一类是基于帕累托支配的多目标进化算法,采用基于帕累托支配的机制来区分和选择候选解。如NSGA-II(The nondominated sorting GA-II)、SPEA2(Strength Pareto evolutionary algorithm 2)、PESA-II(Pareto envelop-based selection algorithm-II)等。
- 第二类是基于分解的多目标优化算法,其中原始多目标优化算法被分解为多个单目标优化问题或更简单的多目标优化问题,以协同解决。如:Dynamic weightbased EA、Multiobjective genetic local search algorithm、Cellar MOGA、Multiple single-objective Pareto sampling algorithm-II、MOEA based on decomposition (MOEA/D)、Reference vector guided EA (RVEA)等。
- 第三类是基于指标的MOEAs,在环境选择中采用解质量测量的性能指标作为选择标准。如:Indicator-based EA (IBEA) 、S metric selection evolutionary multiobjective optimization algorithm