炒作

Hype:一种基于快速超体积的多目标优化算法。在进化多准则优化领域,超体积指标是唯一的单集质量测度,对于帕累托优势而言,它是严格单调的:每当帕累托集近似完全支配另一个时,支配集的指标值也会更好。此性质对于涉及大量目标函数的问题具有高度的兴趣和相关性。然而,超体积计算所需的高计算量迄今阻止了充分利用该指示器的潜力;目前基于超体积的搜索算法仅限于只有少数目标的问题。本文解决这个问题,并提出了一种快速搜索算法,使用蒙特卡洛模拟近似精确的超体积值。主要的想法不是实际的指示器值是重要的,而是由超体积指示器引起的解决方案的排名。详细地说,我们提出了一种用于多目标优化的超体积估计算法——Hype,通过它可以估计估计的准确性和可用的计算资源,从而不仅使许多目标问题在基于超体积的搜索中变得可行,而且可以灵活地适应运行时间。此外,我们展示了如何使用相同的原则来统计比较不同的多目标优化器相对于超体积的结果,统计测试已被限制为具有很少目标的情景。实验结果表明,与现有的多目标进化算法相比,Hype对于许多客观问题具有高度的有效性。炒作可在HTTP://www. Tik.E.Ethz .CH/SOP/下载/补充/ HYPE/下载。


ZBMaCT中的参考文献(44篇文章中引用)

显示结果1至20的44。
按年份排序(引文
  1. Guerreiro、Andreia P.、丰塞卡、Carlos M.:超体积夏普比率指标分析(2020)
  2. Rojas Gonzalez,塞巴斯蒂安;van Nieuwenhuyse,Inneke:基于Kriging的多目标仿真优化填充算法研究(2020)
  3. Chabane,Brahim;Basseur,马蒂厄;郝,Jin Kao:一种求解多目标问题的基于劳伦兹优势的算法(2019)
  4. 李,浩然;何法芝;严;Xiao hu:IBEA支持向量机:一种基于SVM预分类的基于指标的进化算法(2019)
  5. 周,Yuren;何,Xiaoyu;Xiang,Yi;CAI,Shaowei:一组新的多目标、多目标连续优化试验和综合实验评价(2019)
  6. 戈麦斯,Ricardo J.;Guerreiro,Andreia P.;库恩,托拜厄斯;Paqeta,卢:超体积子集选择问题的隐枚举策略(2018)
  7. 罗,Naili;李,夏;林,Qiuzhen:利用目标子空间提取的多目标优化问题的目标约简(2018)
  8. Feliot,保罗;BECT,朱利安;巴斯克斯,艾曼纽:约束单目标和多目标优化的贝叶斯方法(2017)
  9. 格雷纳,戴维;Pielux,贾可;Emperador,Jose M.;Galv An,BLAS;冬季,加布里埃尔:基于博弈论的进化算法:利用纳什在结构工程优化问题中的应用(2017)
  10. 刘,Chao;严,白;高,杨:一种新的基于超体积的多目标差分进化算法(2017)
  11. Ingrida斯图纳维亚,Rob J.,史密斯迈尔斯,凯特;Villanova,劳拉:帕累托最优集近似的动态算法选择(2017)
  12. 王,Chun;纪,枝城;王,严:一种新的基于分解的Meimes算法求解多目标柔性Job Shop调度问题(2017)
  13. Ye Tian,冉成,邢一张,姚楚金:PrimeMo:进化多目标优化的Matlab平台(2017)阿西夫
  14. 左,慈利;吴,梁红;Zeng,Zhao Fu;魏,华亮:基于随机分形的多目标果蝇优化(2017)
  15. Cubukcuoglu,CeMeRe;CasZikStangiouou,Ioannis;TasgTiTeNee,Mehmet Fatih;Sariyildiz,I. Sevil;PAN,Quan Ke:浮动聚落可持续设计的多目标和声搜索算法(2016)
  16. 雷,洪涛;王,芮;拉波特,吉尔伯特:用协同进化算法求解多目标动态随机分配和路由问题(2016)
  17. 路易斯,Garc,A,Jes S;Berlanga,安东尼奥;莫丽娜,JoeS.M: MunEDA:基于神经网络的可扩展多目标优化分配算法(2016)
  18. 曹、Yongtao、斯穆克、Byran J.、鲁滨孙、Timothy J.:利用超体积指示器比较帕累托前沿:多准则最优实验设计的应用(2015)
  19. Giagkiozis,Ioannis;PursHoW,Robin C.;FLIMEN,Peter J.:基于群体的多目标优化算法综述(2015)
  20. 李,柯;Kwong,山姆;Deb,KalayMyy:进化多目标优化的双种群范式(2015)