制約付き多目的最適化のための支配と分解に基づく共同進化的アルゴリズム | JoVE Visualize

科学分野:

最適化
進化的計算
計算知能

背景:

制約付き多目的最適化問題（CMOP）は、挑戦的な研究分野です。
既存の制約付き多目的進化的アルゴリズム（CMOEA）は、しばしば支配ベースまたは分解ベースのフレームワークを独立して使用します。
これらのフレームワークは、異なる問題タイプに対して相補的な強みを持っており、統合による潜在的な利点が示唆されます。

研究の目的:

支配ベースと分解ベースのフレームワークを相乗的に統合する新しい共同進化的アルゴリズムをCMOPのために提案すること。
各フレームワークのそれぞれの利点を活用して、探索パフォーマンスを向上させること。
既存のCMOEAにおける独立したフレームワーク使用の限界に対処すること。

主な方法:

2つの共同進化的個体群を持つ共同進化的アルゴリズムが開発され、それぞれが異なるフレームワークを利用します。
支配ベースの個体群は、多様性のための許容誤差ベースの選択戦略を持つ動的最適化問題を最適化します。
分解ベースの個体群は、ステージ識別、目的の切り替え、および関連性ベースの選択を使用して、制約のないParetoフロントから制約付きParetoフロントへと焦点を適応させます。

主要な成果:

提案されたアルゴリズムは、11の最先端のCMOEAと比較して優れたパフォーマンスを示しました。
パフォーマンスの利点は、4つのベンチマークスイートと5つの実世界のCMOPで検証されました。
進化中の個体群間の情報共有は、相互強化を強化します。

結論:

共同進化的アプローチで支配ベースと分解ベースのフレームワークを統合することは、CMOPのパフォーマンスを大幅に向上させます。
提案されたアルゴリズムは、相補的な強みを効果的に活用し、独立したアプローチの限界を克服します。
この統合戦略は、CMOEA研究を進歩させるための有望な方向性を提供します。