×
周玉仁;何晓宇;向、易;蔡少伟

一组新的多目标连续优化测试问题和综合实验评估。 （英语） 兹比尔1482.90208

工件。智力。 276, 105-129 (2019).
摘要：多目标优化问题在现实世界中有着广泛的应用，并且越来越受到进化计算界的关注。为了促进这一领域的算法发展，许多研究都致力于设计多目标和多目标的测试问题。这些研究大多集中于处理复杂的Pareto前沿（PF），尽管复杂的Paret前沿在现实世界中普遍存在，但Pareto集（PS）的影响尚未得到很好的研究。本文根据一种新的原理提出了一组可扩展的测试问题，该原理考虑了PF和PS的几何特性。提出了一种球面形式的位置函数，将非线性变量相关性引入PS，以模拟实际问题中的变量相关性。根据该原理，第一个（m）（即目标数）决策变量用于形成单位超球面的曲面，而其余变量用于优化某个距离函数。根据该原理生成了一组测试问题，然后将其用于研究六种典型算法。实验结果表明，提出的测试问题给现有算法带来了相当大的困难，需要设计能够同时处理复杂PF和PS的新算法。

MSC公司：

90C29型 多目标规划

关键词：

多目标优化;测试问题;绩效评估;融合与多样性

软件：

MOEA/D公司;RM-MEDA公司;国家统计局;SPEA2公司;SMS-EMOA公司;HypE公司
PDF格式BibTeX公司 XML格式引用
\textit{Y.Zhou}等人，Artif。智力。276105--129（2019；Zbl 1482.90208）
全文： 内政部

参考文献：

[1] Miettinen，K.，非线性多目标优化，运筹学与管理科学国际系列，第12卷（1998年），Springer US:Springer US Boston，MA
[2] Li，B。；李，J。；Tang，K。；Yao，X.，《多目标进化算法：调查》，ACM Compute。调查。，48, 1-35 (2015)
[3] Knowles，J。；Corne，D.，多目标二次分配问题的实例生成器和测试套件，（进化多准则优化，进化多准则最优化，计算机科学讲义（2003），Springer Berlin Heidelberg），295-310·Zbl 1036.90542号
[4] 科恩·D·W。；Knowles，J.D.，《高度多目标优化技术：一些非支配点优于其他点》（第九届遗传和进化计算年会论文集-GECCO’07（2007），ACM出版社：英国伦敦ACM出版社），773
[5] Zhang，Y。；哈曼，M。；Mansouri，S.A.，《多目标下一版本问题》，（第九届遗传与进化计算年会论文集-GECCO’07（2007），ACM出版社：英国伦敦ACM出版社），1129
[6] Ishibuchi，H。；Masuda，H。；谷垣祯一，Y。；Nojima，Y.，《进化多目标和多目标算法与测试问题的协同进化发展综述》，178-184（2014），IEEE
[7] Ishibuchi，H。；北阿卡多。；Nojima，Y.，多目标背包问题上多目标进化算法的行为，IEEE Trans。进化。计算。，19, 264-283 (2015)
[8] Deb，K.，《使用进化算法的多目标优化》，Wiley-Interscience Series in Systems and Optimization（2001），John Wiley&Sons:John Wiley&Sons Chichester，纽约·Zbl 0970.90091号
[9] Knowles，J.D。；Corne，D.W.，使用帕累托存档进化策略逼近非支配前沿，Evol。计算。，8, 149-172 (2000), 02038
[10] 科恩·D·W。；Jerram，N.R。；Knowles，J.D。；Oates PESA-II，M.J.，进化多目标优化中基于区域的选择，（第三届遗传和进化计算年会论文集，GECCO’01（2001），Morgan Kaufmann Publishers Inc.：Morgan Koufmann-Publishers Inc.San Francisco，CA，USA），283-290
[11] Zitzler，E。；Laumanns，M。；Thiele，L.，SPEA2:改进强度Pareto进化算法（2001），ETH:ETH Zurich，技术报告TIK-Report 103
[12] Deb，K。；普拉塔普，A。；阿加瓦尔，S。；Meyarivan，T.，一种快速的精英多目标遗传算法：NSGA-II，IEEE Trans。进化。计算。，6, 182-197 (2002), 17703
[13] 张庆福；Li，Hui，MOEA/D:基于分解的多目标进化算法，IEEE Trans。进化。计算。，11, 712-731 (2007)
[14] 李慧；张庆福，复杂Pareto集多目标优化问题，MOEA/D和NSGA-II，IEEE Trans。进化。计算。，13, 284-302 (2009)
[15] 齐，Y。；马，X。；刘，F。；Jiao，L。；Sun，J。；Wu，J.，带自适应权重调整的MOEA/D，Evol。计算。，22, 231-264 (2014)
[16] Deb，K。；Jain，H.，使用基于参考点的非支配排序方法的进化多目标优化算法，第一部分：用方框约束解决问题，IEEE Trans。进化。计算。，18577-601（2014）
[17] Cheng，R。；Jin，Y。；奥尔霍弗，M。；Sendhoff，B.，用于多目标优化的参考向量引导进化算法，IEEE Trans。进化。计算。，20, 773-791 (2016)
[18] Xiang，Y。；周，Y。；李，M。；Chen，Z.，无约束多目标优化的基于向量角度的进化算法，IEEE Trans。进化。计算。，21, 131-152 (2017)
[19] 陈，Z。；周，Y。；Xiang，Y.，基于投影辅助家庭内选举的多目标进化算法，应用。软计算。，61394-411（2017）
[20] Zitzler，E。；Künzli，S.，《多目标搜索中基于指标的选择》，PPSN VIII，第3242卷，第832-842页（2004年），施普林格-柏林-海德堡：施普林格
[21] 比姆，N。；Naujoks，B。；Emmerich SMS-EMOA，M.，基于支配超体积的多目标选择，Eur.J.Oper。Res.，181，1653-1669（2007）·兹比尔1123.90064
[22] Bader，J。；Zitzler，E.，HypE：基于快速超体积的多目标优化算法，Evol。计算。，19, 45-76 (2011)
[23] Hernández Gómez，R。；Coello Coello，C.A.，基于R2指标的多目标优化改进元启发式，（2015年遗传与进化计算年会论文集，GECCO’15（2015），ACM：西班牙马德里ACM），679-686
[24] Weise，T。；Chiong，R。；Tang，K.，《进化优化：陷阱和陷阱》，J.Compute。科学。技术。，27, 907-936 (2012) ·Zbl 1279.68281号
[25] Zitzler，E。；Deb，K。；Thiele，L.，《多目标进化算法的比较：经验结果》，Evol。计算。，8, 173-195 (2000)
[27] Huband，S。；辛斯顿，P。；巴龙，L。；然而，L.，《多目标测试问题综述和可扩展测试问题工具包》，IEEE Trans。进化。计算。，10, 477-506 (2006)
[28] Deb，K.，《多目标遗传算法：问题困难和测试问题的构造》，Evol。计算。，7, 205-230 (1999)
[29] Ishibuchi，H。；濑户口，Y。；Masuda，H。；Nojima，Y.，基于分解的多目标算法的性能强烈依赖于Pareto前沿形状，IEEE Trans。进化。计算。，21, 169-190 (2017)
[30] Liu，H.L。；Chen，L。；张，Q。；Deb，K.，《在挑战许多目标优化问题中自适应分配搜索工作》，IEEE Trans。进化。计算。，22, 3, 433-448 (2018)
[31] Cheng，R。；李，M。；田，Y。；张，X。；Yang，S。；Jin，Y。；Yao，X.，进化多目标优化的基准测试套件，复杂智能。系统。，3, 67-81 (2017)
[32] Jain，H。；Deb，K.，使用基于参考点的非支配排序方法的进化多目标优化算法，第二部分：处理约束并扩展到自适应方法，IEEE Trans。进化。计算。，18, 602-622 (2014)
[33] 王，Z。；Ong，Y.S。；Ishibuchi，H.，《关于具有难控制边界的可扩展多目标测试问题》，IEEE Trans。进化。计算。，23217-231（2019）
[34] Deb，K。；Thiele，L.公司。；Laumanns，M。；Zitzler，E.，进化多目标优化的可扩展测试问题，（Abraham，A.；Jain，L.；Goldberg，R.，进化多对象优化（2005），Springer-Verlag:Springer-Verlag London），105-145·Zbl 1078.90567号
[35] 萨波提卡斯·马丁内斯，S。；科埃罗，C.A.C。；阿吉雷，H.E。；Tanaka，K.，《现有可扩展多目标测试套件的特性和局限性综述》，IEEE Trans。进化。计算。，23, 1, 130-142 (2019)
[36] 张庆福；周爱民；RM-MEDA Yaochu Jin，基于正则模型的多目标分布估计算法，IEEE Trans。进化。计算。，12, 41-63 (2008)
[37] Cheng，R。；Jin，Y。；Narukawa，K。；Sendhoff，B.，使用基于高斯过程的逆建模的多目标进化算法，IEEE Trans。进化。计算。，19, 838-856 (2015)
[38] Cheng，R。；Jin，Y。；奥尔霍弗，M。；sendhoff，B.，《大规模多目标和多目标优化的测试问题》，IEEE Trans。赛博。，47, 4108-4121 (2017)
[39] 艾默里奇，M。；比姆，N。；Naujoks，B.，《使用超体积度量作为选择标准的EMO算法》，《进化多标准优化》，第3410卷，第62-76页（2005），施普林格-柏林-海德堡：施普林格·Zbl 1109.68595号
[40] Zitzler，E。；Laumanns，M。；Thiele，L.，SPEA2:改进强度Pareto进化算法（2001），ETH:瑞士苏黎世ETH，TIK-Report 103
[41] 袁，Y。；徐，H。；王，B。；Yao，X.，一种新的基于优势关系的多目标优化进化算法，IEEE Trans。进化。计算。，20, 16-37 (2016)
[42] 周，Y。；向，Y。；陈，Z。；He，J。；Wang，J.，用于多目标优化问题的标量投影和基于角度的进化算法，IEEE Trans。赛博。，1-12 (2018)
[43] Sato，H.，MOEA/D中的反向PBI及其对多目标优化搜索性能的影响，645-652（2014），ACM出版社
[44] 潘·L。；他，C。；田，Y。；苏，Y。；Zhang，X.，一种基于区域划分的多目标优化多样性保持方法，Integrar。计算-助理工程师，24，279-296（2017）
[45] 科埃洛·科埃洛，C.A。；拉蒙特，G.B。；Van Veldhuizen，D.A.，解决多目标问题的进化算法，遗传和进化计算系列（2007），Springer:Springer New York，NY，OCLC:255368493·Zbl 1142.90029号
[46] 博斯曼，P。；Thierens，D.，《多目标进化算法中接近性和多样性之间的平衡》，IEEE Trans。进化。计算。，174-188年7月（2003年）
[47] 张，Q。；周，A。；赵，S。；Suganthan，P.N。；刘，W。；Tiwari，S.，《CEC 2009特别会议和竞赛的多目标优化测试实例》（2008），埃塞克斯大学计算机科学与电子工程学院，英国科尔切斯特C04，3SQ；南洋理工大学电气与电子工程学院，新加坡南洋大道50号；美国南卡罗来纳州克莱姆森市克莱姆森大学机械工程系，邮编29634
[48] Yang，S。；李，M。；刘，X。；Zheng，J.，用于多目标优化的基于网格的进化算法，IEEE Trans。进化。计算。，17, 721-736 (2013)
[49] 李，M。；Yang，S。；Liu，X.，多目标优化中基于Pareto算法的基于移位的密度估计，IEEE Trans。进化。计算。，18, 348-365 (2014)
[50] Ishibuchi，H。；Masuda，H。；谷垣祯一，Y。；Nojima，Y.，《指定参考点以计算多目标优化问题的倒代距离的困难》，（2014年IEEE多准则决策计算智能研讨会（MCDM）（2014）），170-177
[51] Ishibuchi，H。；Masuda，H。；Nojima，Y.，《改进的倒代距离指标的绩效评估能力研究》，（2015年遗传与进化计算年会论文集，GECCO’15（2015），ACM:美国纽约州纽约市ACM），695-702
[52] 达斯，I。；Dennis，J.E.，《正边界交集：非线性多准则优化问题中生成Pareto曲面的新方法》，SIAM J.Optim。，8, 631-657 (1998) ·Zbl 0911.90287号
[53] Ishibuchi，H。；Masuda，H。；Nojima，Y.，多目标退化测试问题的Pareto前沿，IEEE Trans。进化。计算。，20, 807-813 (2016)
[54] Zitzler，E。；Thiele，L.，《多目标进化算法：比较案例研究和强度Pareto方法》，IEEE Trans。进化。计算。，3, 257-271 (1999)
[55] 而L。；布拉德斯特里特。；Barone，L.，《计算精确超体积的快速方法》，IEEE Trans。进化。计算。，16, 86-95 (2012)
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。