现有的改进支配方法提高了解集逼近Pareto前沿的能力,但平衡种群收敛性和多样性的能力仍然不足。针对此问题,提出了一种基于自适应支配和参考向量的高维多目标优化算法(An adaptive dominance and reference vector based evolutionary ...现有的改进支配方法提高了解集逼近Pareto前沿的能力,但平衡种群收敛性和多样性的能力仍然不足。针对此问题,提出了一种基于自适应支配和参考向量的高维多目标优化算法(An adaptive dominance and reference vector based evolutionary algorithm for many-objective optimization,ADRVEA)。首先提出自适应支配(Adaptive dominance,AD)来设计小生境机制;然后通过参考向量划分目标空间来提高种群多样性;最后构建适应度表达式来实现精英选择。实验证明所提出的ADRVEA不仅性能良好,而且有效平衡了种群的收敛性和多样性。展开更多
传统的Pareto支配关系在高维目标空间存在固有缺陷,而一些改进的支配方法在平衡高维目标解群的收敛性与多样性上尚有提升空间.基于此,提出一种参考向量关联区域(小生境)自动缩减的支配关系A2R(dominance relation based on the Automati...传统的Pareto支配关系在高维目标空间存在固有缺陷,而一些改进的支配方法在平衡高维目标解群的收敛性与多样性上尚有提升空间.基于此,提出一种参考向量关联区域(小生境)自动缩减的支配关系A2R(dominance relation based on the Automatically reduced region Associated with the Reference vector).该支配方法在进化全过程中逐代缩减小生境规模,从而实现收敛性与多样性自动平衡,而且不引入额外参数.另外,提出利用基于L_(p)-范式(p=1/M,M为目标数)的拥挤距离度量高维目标解群的多样性.将上述两种策略嵌入到经典的NSGA-II(Nondominated Sorting Genetic Algorithm II)框架,设计一种基于A2R支配关系的高维多目标进化算法MaOEA/A2R(Many-Objective Evolutionary Algorithm base on A2R).该算法与其他5种代表性的高维多目标进化算法一同在5-、10-、15-和20-目标的DTLZ(benchmark MOP proposed by Deb,Thiele,Lau-manns,and Zitzler)和WFG(benchmark MOP pro-posed by Walking Fish Group)基准测试问题上进行IGD(Inverted Generational Distance)和HV(Hyper Volume)性能测试.结果表明,MaOEA/A2R算法总体上具有较好的收敛性和多样性.由此表明,MaOEA/A2R是一种颇具前景的高维多目标进化算法.展开更多
为了使多目标进化算法在收敛性和分布性之间保持平衡,该文提出一种基于角度惩罚距离的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on Angle Penalized Distance,Ma OEA-APD)。首先,综合考虑收敛性和分布性在进化...为了使多目标进化算法在收敛性和分布性之间保持平衡,该文提出一种基于角度惩罚距离的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on Angle Penalized Distance,Ma OEA-APD)。首先,综合考虑收敛性和分布性在进化不同阶段的重要性,构造一种角度惩罚距离,使两者随进化进程动态平衡;其次,开发基于删除劣质个体的环境选择策略,在提高种群分布性的同时提高收敛性;最后,根据环境选择的原理,设计与之相协调且互补的匹配选择过程,提高算法的整体进化效率。将所提算法与目前国内外性能优异的3种高维多目标进化算法进行对比,实验结果表明在WFG标准测试函数集上,该文算法相对于其他算法,综合性能有了较大的提升。展开更多
文摘现有的改进支配方法提高了解集逼近Pareto前沿的能力,但平衡种群收敛性和多样性的能力仍然不足。针对此问题,提出了一种基于自适应支配和参考向量的高维多目标优化算法(An adaptive dominance and reference vector based evolutionary algorithm for many-objective optimization,ADRVEA)。首先提出自适应支配(Adaptive dominance,AD)来设计小生境机制;然后通过参考向量划分目标空间来提高种群多样性;最后构建适应度表达式来实现精英选择。实验证明所提出的ADRVEA不仅性能良好,而且有效平衡了种群的收敛性和多样性。
文摘传统的Pareto支配关系在高维目标空间存在固有缺陷,而一些改进的支配方法在平衡高维目标解群的收敛性与多样性上尚有提升空间.基于此,提出一种参考向量关联区域(小生境)自动缩减的支配关系A2R(dominance relation based on the Automatically reduced region Associated with the Reference vector).该支配方法在进化全过程中逐代缩减小生境规模,从而实现收敛性与多样性自动平衡,而且不引入额外参数.另外,提出利用基于L_(p)-范式(p=1/M,M为目标数)的拥挤距离度量高维目标解群的多样性.将上述两种策略嵌入到经典的NSGA-II(Nondominated Sorting Genetic Algorithm II)框架,设计一种基于A2R支配关系的高维多目标进化算法MaOEA/A2R(Many-Objective Evolutionary Algorithm base on A2R).该算法与其他5种代表性的高维多目标进化算法一同在5-、10-、15-和20-目标的DTLZ(benchmark MOP proposed by Deb,Thiele,Lau-manns,and Zitzler)和WFG(benchmark MOP pro-posed by Walking Fish Group)基准测试问题上进行IGD(Inverted Generational Distance)和HV(Hyper Volume)性能测试.结果表明,MaOEA/A2R算法总体上具有较好的收敛性和多样性.由此表明,MaOEA/A2R是一种颇具前景的高维多目标进化算法.
文摘为了使多目标进化算法在收敛性和分布性之间保持平衡,该文提出一种基于角度惩罚距离的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on Angle Penalized Distance,Ma OEA-APD)。首先,综合考虑收敛性和分布性在进化不同阶段的重要性,构造一种角度惩罚距离,使两者随进化进程动态平衡;其次,开发基于删除劣质个体的环境选择策略,在提高种群分布性的同时提高收敛性;最后,根据环境选择的原理,设计与之相协调且互补的匹配选择过程,提高算法的整体进化效率。将所提算法与目前国内外性能优异的3种高维多目标进化算法进行对比,实验结果表明在WFG标准测试函数集上,该文算法相对于其他算法,综合性能有了较大的提升。
