RM-MEDA公司

RM-MEDA:一种基于正则模型的多目标分布估计算法。在较温和的条件下,由Karush-Kuhn-Tucker条件可以得到连续多目标优化问题在决策空间中的Pareto集是一个分段连续(m-1)-D流形,其中m是目标个数。基于这种规律性,我们提出了一种基于正则模型的多目标分布估计算法(RM-MEDA)。在每一代算法中,该算法通过一个以(m-1)-D分段连续流形为质心的概率分布在决策空间中对一个有希望的区域进行建模。该模型采用局部主成分分析算法。从建立的模型中抽取新的试验解。基于非支配排序的选择用于为下一代选择解决方案。系统实验表明,总体而言,在一组具有可变链接的测试实例上,RM-MEDA优于其他三种最先进的算法,即GDE3、PCX-NSGA-II和美的。我们证明了与GDE3相比,RM-MEDA对算法参数不敏感,并且在非线性变量链的情况下对决策变量的数量具有良好的可扩展性。本文还指出并讨论了RM-MEDA的一些不足之处。

这个软件也是同行评审按日记帐汤姆斯.


zbMATH中的参考文献(参考文献35条)

显示第1到第20个结果,共35个。
按年份排序(引用)
  1. 汉森,尼古拉斯;奥格,安妮;罗斯,雷蒙德;梅斯曼,奥拉夫;š啊,茶;Brockhoff,Dimo:COCO:一个用于比较黑盒环境中连续优化器的平台(2021)
  2. 东、南江;王瑞:MEAPCA:基于PCA的多目标优化多种群进化算法(2020)
  3. 王锡禄;金尧初;施密特,塞巴斯蒂安;Olhofer,Markus:代理辅助进化多目标优化的自适应贝叶斯方法(2020)
  4. 吴燕;施、露露;刘晓雄:动态多目标优化的新动态策略(2020)
  5. 张哲晨;刘三阳;高伟峰;徐景伟;朱生琦:一种基于逆模型的改进多目标进化优化算法(2020)
  6. 郑、卫;吴建宇;张成虎;孙建勇:基于聚类的勘探与开发平衡多目标进化算法(2020)
  7. 周爱民;王一瑞;张金元:进化多目标优化中模糊聚类的目标提取(2020)
  8. 格雷罗体育学院ña、 伊莲;阿拉ú乔,阿卢ízio Fausto Ribeiro:目标空间中带预测的多目标进化算法(2019)
  9. 刘聪;陈倩倩;陈英霞;刘杰:一种基于多指标组合的快速多目标模糊聚类(2019)
  10. 王鹏;朱文;刘海华;廖波;蔡丽君;魏晓辉;任思齐;杨佳良:基于MOEA/D子问题关系的资源配置新策略(2019)
  11. 周玉仁;他,小雨;湘、彝;蔡少伟:一组新的多目标连续优化测试问题及综合实验评价(2019)
  12. 蒋敏;邱立明;黄忠强;Yen,Gary G.:基于域自适应和非参数估计的分布动态多目标估计算法(2018)
  13. 周冲;戴光明;张翠君;李向平;Ma,Ke:多目标优化问题的自适应参考点熵进化算法(2018)
  14. 库科宁,萨库;Coello Coello,Carlos A.:数值和进化优化的广义差分进化(2017)
  15. 市场í, 路易斯;加塞ía、 天哪ús;安东尼奥·贝朗加;乔斯,莫利纳é M、 :MONEDA:基于神经网络的分布估计算法的可伸缩多目标优化(2016)
  16. 李可;光,山姆;Deb,Kalyanmoy:进化多目标优化的双种群范式(2015)
  17. 朱孝舒;张杰;冯俊红:基于PAM和均匀设计的多目标粒子群算法(2015)
  18. 艾伯托,伊索丽娜;科埃洛·科埃洛,卡洛斯A。;Mateo,Pedro M.:用于进化多目标优化的变异算子的比较研究(2014)
  19. 吉吉奥齐斯,I。;帕肖斯,R。C、 。;弗莱明,P。J、 :多目标优化的广义分解和交叉熵方法(2014)
  20. 李阳;徐夏;李培道;焦立成:利用本地学习改进RM-MEDA(2014)ioport公司