Many real-world optimization problems such as engineering design are finally modeled as a multiobjective optimization problem (MOP) which must be solved to get a set of trade-offs. Multiobjective evolutionary algorithm based on decomposition (MOEA/D) has been regarded as a very promising approach for solving MOPs, which offers a general algorithmic framework of evolutionary multiobjective optimization. Recent studies have shown that MOEA/D with uniformly distributed weight vectors is well-suited to MOPs with regular Pareto optimal front, but its performance in terms of diversity deteriorates on MOPs with irregular Pareto optimal front such as highly nonlinear and convex. In this way, the solution set obtained by the algorithm can not provide more reasonable choices for decision makers. In order to efficiently overcome this shortcoming, in this paper, we propose an improved MOEA/D algorithm by virtue of the well-known Pascoletti-Serafini scalarization method and a new strategy of multi-reference points. Specifically, this strategy consists of the setting and adaptation of reference points generated by the techniques of equidistant partition and projection. For performance assessment, the proposed algorithm is compared with existing four state-of-the-art multiobjective evolutionary algorithms on both benchmark test problems with various types of Pareto optimal fronts and two real-world MOPs including the hatch cover design and the rocket injector design in engineering optimization. Experimental results reveal that the proposed algorithm is better than that of the other compared algorithms in diversity.


翻译:许多现实世界优化问题,如工程设计,最终被模拟成一个多目标优化问题(MOP),必须加以解决,才能达成一套权衡。基于分解(MOEA/D)的多目标进化算法被认为是解决MOP(MOEA/D)的一个非常有希望的方法,它提供了进化多目标优化的一般算法框架。最近的研究表明,具有统一分布重量矢量的MOEA/D(统一分布的重量矢量矢量)完全适合OPs(定期的Pareto最佳前方),但其多样性表现在不规则的Pareto最佳前端(如高度非线性和共性)方面恶化。这样,基于分解(MOEA/D)的多重目标进化演算法为决策者提供了更合理的选择。为了有效克服这一缺陷,我们在本文件中建议通过众所周知的Pascoletti-Serafini缩缩略图方法来改进MOEA/D的算法,以及新的多参照点战略。具体地说,这一战略包括不规则化、不规则化和精度优化的精度优化工程分析和预测中,目前两种最精确的系统化的演进进化方法,与最佳设计方法相比,目前两种不同的演算法系中的最佳演算法,提出了两种不同的演算法。在不同的演算法和最佳演算法系的两种不同的演算法。

0
下载
关闭预览

相关内容

专知会员服务
25+阅读 · 2021年4月2日
【CVPR2020-北京大学】自适应间隔损失的提升小样本学习
专知会员服务
83+阅读 · 2020年6月9日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【新书】Python编程基础,669页pdf
专知会员服务
193+阅读 · 2019年10月10日
鲁棒机器学习相关文献集
专知
8+阅读 · 2019年8月18日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
推荐|Andrew Ng计算机视觉教程总结
全球人工智能
3+阅读 · 2017年11月23日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
Arxiv
6+阅读 · 2021年6月24日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
Arxiv
5+阅读 · 2017年12月14日
VIP会员
相关资讯
鲁棒机器学习相关文献集
专知
8+阅读 · 2019年8月18日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
推荐|Andrew Ng计算机视觉教程总结
全球人工智能
3+阅读 · 2017年11月23日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
Top
微信扫码咨询专知VIP会员