Die Arbeit untersucht das Phänomen, dass Dekompositions-basierte mehrkriteriellen evolutionäre Algorithmen (MOEADs) bei der Bearbeitung komplexer mehrkriterieller Optimierungsprobleme, insbesondere mit nicht-konvexen und nicht-uniformen Pareto-Fronten, dazu neigen, in lokale Optima zu konvergieren, was die Lösungsvielfalt einschränkt.
Durch eine umfassende geometrische Analyse wird identifiziert, dass die traditionelle Methode der Referenzpunkt-Auswahl maßgeblich zu dieser Herausforderung beiträgt. Als Reaktion darauf wird eine innovative Referenzpunkt-Auswahlstrategie, die "Weight Vector-Guided and Gaussian-Hybrid"-Methode, eingeführt, um das Problem der lokalen Optima zu überwinden.
Die Studie umfasst zwei Hauptkomponenten: eine Ablationsstudie mit 14 Algorithmen innerhalb des MOEAD-Rahmens, um den theoretischen Rahmen zu validieren, und eine Reihe empirischer Tests, um die Wirksamkeit der vorgeschlagenen Methode im Vergleich zu traditionellen und state-of-the-art-Alternativen zu bewerten. Die Ergebnisse zeigen, dass die vorgeschlagene Methode sowohl bei der Populationsvielfalt als auch bei der Konvergenz bemerkenswerte Verbesserungen erzielt.
翻譯成其他語言
從原文內容
arxiv.org
深入探究