Fast Greedy Subset Selection from Large Candidate Solution Sets in Evolutionary Multi-objective Optimization
子集选择是进化多目标优化领域中一个有趣而重要的研究课题。特别是，在一个EMO算法与无界的外部档案，子集选择是一个必不可少的后处理过程中选择一个预先指定的数量的解决方案作为最终结果。在本文中，我们讨论了贪婪子集选择的效率的超体积，IGD和IGD+指标。贪心算法通常有效地处理子集选择。但是，当给出大量的解决方案时（例如，从无限外部存档中的数万个解决方案中选择子集），它们通常会变得非常耗时。我们的想法是使用子模属性，这是已知的超体积指标，以提高他们的效率。首先，我们证明了IGD和IGD+指标也是子模的。其次，基于子模性质，我们提出了一个有效的贪婪包含算法的每一个指标。然后，我们通过计算实验证明，所提出的算法是远远快于标准的贪婪子集选择算法。
2021-02-01 cs.NE
Matching-Based Selection with Incomplete Lists for Decomposition Multi-Objective Optimization
收敛性与多样性的平衡是进化多目标优化的关键问题。最近提出的基于稳定匹配的选择提供了一个新的视角来处理这种平衡下的分解多目标优化的框架。特别是，子问题和解决方案之间的稳定匹配，实现了他们的相互偏好之间的平衡，隐含的收敛性和多样性之间的平衡。然而，原有的稳定匹配模型具有很高的风险，匹配的解决方案与一个不利的子问题，最终导致不平衡的选择结果。本文提出了一种基于自适应两级稳定匹配选择的分解多目标优化方法。具体来说，借用不完整列表的稳定匹配的思想，我们匹配每个解决方案与它最喜欢的子问题之一，通过限制其偏好列表的长度在第一级稳定匹配。在第二级稳定匹配过程中，剩余的子问题根据经典的稳定匹配模型与它们最喜欢的解进行匹配。特别是，我们开发了一个自适应机制，自动设置的偏好列表的长度为每个解决方案，根据其本地的竞争力。我们提出的方法的性能进行了验证，并与几个国家的最先进的进化多目标优化算法的62个基准问题的实例进行比较。实验结果充分证明了我们所提出的方法在复杂的Pareto集和具有三个以上目标的问题上的竞争力。
2017-01-25 cs.NE
A Many-Objective Evolutionary Algorithm with Angle-Based Selection and Shift-Based Density Estimation
进化多目标优化问题越来越受到演化计算研究界的关注。许多努力一直致力于解决这个问题，提高多目标进化算法的可扩展性，如帕累托为基础的，分解为基础的，基于指标的方法。与目前的工作不同，我们提出了一种新的算法，在本文中被称为AnD，它包括一个基于角度的选择策略和基于移位的密度估计策略。在环境选择中，采用这两种策略，逐一剔除不良个体。具体地说，前者的目的是找到一对具有最小向量角的个体，这意味着这两个个体共享最相似的搜索方向。后者兼顾了个体的多样性和收敛性，对两个个体进行了比较，剔除了差的个体。它结构简单，参数少，没有复杂的运算符.的性能相比，与七个国家的最先进的多目标进化算法的各种基准测试问题，多达15个目标。实验结果表明，AnD可以达到很高的竞争力的性能。此外，我们还验证了AnD可以很容易地扩展到解决约束多目标优化问题。
2017-09-30 cs.NE
Balancing Selection Pressures, Multiple Objectives, and Neural Modularity to Coevolve Cooperative Agent Behavior
以往的研究表明，在多智能体系统中使用演化计算，基于团队与个人行为对人工智能体的进化团队在具有挑战性的任务中表现出团队合作的能力有很大的影响。然而，这种研究只使用了单目标进化。相比之下，当使用多目标进化算法时，种群可以服从个人级目标、团队级目标或两者的组合。本文探讨了人工神经网络受这些类型的目标控制的代理合作共同进化团队的性能。具体来说，捕食者代理被进化为在环形网格世界中捕获脚本猎物代理。由于个体和团队行为之间的张力，多种行为模式可能是有用的，因此模块化神经网络的效果也进行了探讨。结果表明，健身奖励个人行为优于健身奖励团队行为，尽管被应用到一个合作的任务。然而，使用具有多个模块的网络允许捕食者发现智能行为，无论使用哪种类型的目标。
2017-03-24 cs.NE
Building an Effective Intrusion Detection System using Unsupervised Feature Selection in Multi-objective Optimization Framework
入侵检测系统（IDS）是为了检测攻击行为，保护网络安全而开发的.本文提出了一种用于分析网络数据的无监督特征选择技术。非支配排序遗传算法（NSGA-II）的搜索能力已被用于优化三个不同的目标函数，利用不同的信息理论措施，包括互信息，标准偏差，和信息增益，以确定互斥和高变子集的功能。最后，帕累托最优前的不同的最佳特征子集，这些特征子集被用于开发分类系统，使用不同的流行的机器学习模型，如支持向量机，决策树和k-最近邻（k=5）分类器等。我们已经评估了KDD-99，NSL-KDD和京都2006+数据集上的算法的结果。在KDD-99数据集上的实验结果表明，决策树比其他分类器具有更好的分类效果。该系统获得了99.78%的准确率，99.27%的检测率和0.2%的误报率的最佳结果，这是优于所有以前的结果KDD数据集。我们取得了99.83%的准确率为20%的测试数据的NSL-KDD数据集和京都数据集上的10倍交叉验证的准确率为99.65%。该方案最吸引人的特点是在选择合适的特征子集的过程中，不使用标记信息，并使用多目标优化框架同时优化不同的特征质量度量。
2019-05-16 cs.NE
Solution Subset Selection for Final Decision Making in Evolutionary Multi-Objective Optimization
Southern University of Science and Technology（南方科技大学）
一般来说，多目标优化问题并不只有一个最优解，而是有一组Pareto最优解，它们在目标空间中形成Pareto前沿。已经提出了各种进化算法来近似帕累托前沿使用预先指定的解决方案的数量。通过一次运行可获得数百种解决方案。从获得的解决方案中选择一个最终的解决方案被认为是由人类决策者完成的。然而，在许多情况下，决策者不想检查数百个解决方案。因此，需要选择所获得的解决方案的一个小子集。在本文中，我们讨论的子集选择的观点，最终决策。首先，我们简要介绍现有的子集选择研究。接下来，我们制定一个预期的损失函数的子集选择。我们还表明，制定的功能是相同的IGD加指标。然后，我们报告的实验结果，所提出的方法与其他基于指标的子集选择方法进行了比较。
2020-06-15 cs.AI cs.NE
Non-elitist Evolutionary Multi-objective Optimizers Revisited
自2000年以来，人们一直认为精英进化多目标优化算法（EMOAs）总是优于非精英EMOAs。本文回顾了非精英EMOA的性能双目标连续优化时，使用无界的外部档案。本文研究了两个精英和一个非精英环境选择的EMOAs的性能。在COCO平台提供的双目标BBOB问题集上对EMOA的性能进行了评估。与传统的智慧相比，结果表明，非精英EMOAs与特定的交叉方法执行显着良好的双目标BBOB问题，许多决策变量时，使用无界的外部档案。本文还分析了非精英选择的性质。
2020-09-30 cs.NE
Unlearning Works Better Than You Think: Local Reinforcement-Based Selection of Auxiliary Objectives
该研究提出LRSAO方法，通过强化学习动态选择辅助目标并融入遗忘能力优化进化算法，在Jump函数黑箱复杂度测试中实现$\Theta(n^2 / \ell^2 + n \log(n))$的复杂度，显著优于现有结果。
2025-04-19 cs.NE stat.ML
Towards Multi-Objective High-Dimensional Feature Selection via Evolutionary Multitasking
针对现有基于EMT的特征选择方法在知识获取、利用和迁移上的局限，本文提出多目标高维特征选择框架MO-FSEMT，通过构建多辅助任务、独立种群与多求解器优化及特定知识迁移机制，在26个数据集上取得优于现有方法的性能。
2024-01-03 cs.NE
Benchmarking Subset Selection from Large Candidate Solution Sets in Evolutionary Multi-objective Optimization
Southern University of Science and Technology（南方科技大学）
在进化多目标优化（EMO）领域，标准的做法是将EMO算法的最终种群作为输出。然而，它已被证明，最终的人口往往包括解决方案占主导地位的其他解决方案产生和丢弃在前几代。最近，一个新的EMO框架已被提出来解决这个问题，通过存储所有的非支配的解决方案在进化过程中产生的存档，并选择一个子集的解决方案从存档作为输出。在这个框架中的关键组成部分是从通常存储了大量的候选解决方案的档案子集的选择。然而，大多数子集选择的研究集中在小的候选解决方案集的环境选择。没有用于大规模子集选择的基准测试套件。本文旨在填补这一研究空白，提出了一个基准测试套件的子集选择从大的候选解决方案集，并比较了一些代表性的方法使用建议的测试套件。建议的测试套件连同基准研究提供了一个基线，研究人员理解，使用，比较，并开发子集选择方法在EMO领域。
2022-03-29 cs.AI cs.NE
Reference Vector Adaptation and Mating Selection Strategy via Adaptive Resonance Theory-based Clustering for Many-objective Optimization
针对多目标优化中参考向量自适应未充分利用拓扑结构且聚类性能有限的问题，提出基于自适应共振理论聚类的进化算法，同时用于参考向量自适应和交配选择，并在78个测试问题上优于8种主流MOEAs。
2022-05-04 cs.NE
Reinforcement Learning Based Dynamic Selection of Auxiliary Objectives with Preserving of the Best Found Solution
ITMO University（ITMO大学）
通过引入辅助目标可以提高单目标优化的效率。理想情况下，辅助目标应该有所帮助。然而，在实践中，目标在某些优化阶段可能是有效的，但在其他的阻碍。在本文中，我们提出了一个修改的EA+RL方法，动态选择优化的目标，使用强化学习。所提出的修改防止丢失最佳发现的解决方案。我们分析了所提出的修改，并将其与EA+RL方法和XdivK，广义OneMax和LeadingOnes问题的随机局部搜索进行了比较。所提出的修改优于EA+RL方法的所有问题的情况下。它在大多数问题实例上的表现也优于单一目标方法。我们还提供了详细的分析所考虑的算法的不同组成部分如何影响优化效率。此外，我们提出的XdivK问题的修改建议的理论分析。
2017-04-24 cs.LG cs.NE
An Efficient Multi-Indicator and Many-Objective Optimization Algorithm based on Two-Archive
由于传统的基于支配和分解的多目标优化算法难以解决多目标优化问题，基于指标的算法正在变得越来越重要。然而，以往的基于指标的多目标优化算法存在以下缺陷：1）环境选择过程耗时长; 2）通常需要附加参数。为此，提出了一种基于双档案的多指标多目标优化算法（SRA 3），该算法能够在环境选择中根据指标性能有效地选择优良个体，并采用自适应参数策略进行亲本选择，无需设置额外的参数。然后对算法进行归一化处理，并比较归一化前后的性能，发现归一化处理显著提高了算法的性能。我们还分析了归一化如何影响基于指标的算法，并观察到归一化的$I_{ε+}$指标更好地找到极端的解决方案，并可以减少由于其范围不同而导致的每个目标对指标的贡献程度不同的影响。然而，它也有极端解决方案的偏好，这导致解决方案集收敛到极端。最后，我们给出了一些规范化的建议。然后，在DTLZ和WFG问题上，我们对39个目标分别为5、10和15个的问题进行了实验，结果表明SRA 3在保持高效率的同时具有良好的收敛性和多样性。最后，我们进行了实验DTLZ和WFG问题与20和25个目标，发现本文提出的算法是更有竞争力的比其他算法的目标数量的增加。
2022-01-14 cs.NE
Do We Really Need to Use Constraint Violation in Constrained Evolutionary Multi-Objective Optimization?
约束破坏是设计求解约束多目标优化问题的进化多目标优化算法的基础。然而，在现实世界的黑盒优化场景中，约束违反是很难接近的，这并不罕见。现有的约束进化多目标优化算法的环境选择机制是建立在约束违背的基础上的，当约束函数的形式未知时，这些算法是否仍然有效还不清楚。考虑到这一点，本文选取了四个广泛使用的约束进化多目标优化算法作为基线，并开发了相应的变种，用一个清晰的值来代替约束违反。从我们的实验合成和现实世界的基准测试问题，我们发现，所选算法的性能没有显着影响时，约束违反不用于指导环境选择。
2022-05-28 cs.NE
Multi-objective Test Case Selection Through Linkage Learning-based Crossover
测试用例选择（TCS）旨在选择测试套件的一个子集来运行回归测试。选择通常基于过去的覆盖率和执行成本数据。研究人员已经成功地使用多目标进化算法（MOEAs），如NSGA-II及其变体，来解决这个问题。这些MOEA使用传统的交叉算子，通过遗传重组创建新的候选解决方案。最近的数值优化研究表明，使用机器学习（特别是链接年龄学习）可以进行更好的重组。受这一领域最新进展的启发，我们提出了一种新的NSGA-II变体，称为L2-NSGA，它使用链接学习来优化测试用例选择。特别是，我们使用一个无监督的聚类算法来推断有前途的模式之间的解决方案（子集的测试套件）。然后，在L2-NSGA的下一次迭代中使用这些模式来创建保留这些推断模式的解决方案。我们的研究结果表明，我们的定制使NSGA-II更有效的测试用例选择。由L2-NSGA生成的测试套件子集比文献中用于回归测试的MOEA生成的测试套件子集更便宜，并且检测到更多的故障。
2021-07-20 cs.NE cs.SE
Edge computing service deployment and task offloading based on multi-task high-dimensional multi-objective optimization
本文将多用户 MEC 的服务部署与任务卸载建模为 MT-HD-MOO 问题，纳入网络可靠性与负载均衡等目标，并提出基于多选策略池的优化算法，仿真验证了其有效性。
2023-12-07 cs.NE
Pareto Optimization with Robust Evaluation for Noisy Subset Selection
Nanjing University（南京大学）；Nari Technology Co., Ltd.（南瑞集团有限公司）
本文提出PORE算法，通过最大化鲁棒评估函数和最小化子集规模解决噪声子集选择问题，实验表明其在影响最大化和稀疏回归任务中优于传统方法。
2026-04-21 cs.NE
Running Time Analysis of the Non-dominated Sorting Genetic Algorithm II (NSGA-II) using Binary or Stochastic Tournament Selection
进化算法已被广泛应用于解决多目标优化问题，并已成为最流行的工具。然而，多目标进化分析的理论基础，特别是其基本理论方面，运行时间分析，在很大程度上仍然不发达。现有的几个理论工作主要考虑简单的MOEA，而非支配排序遗传算法II（NSGA-II），可能是最有影响力的MOEA，还没有分析，除了最近的工作考虑一个简化的变体没有交叉。在本文中，我们提出了一个运行时间分析的标准NSGA-II解决LOTZ，OneMinMax和COCZ，三个常用的双目标优化问题。具体来说，我们证明了预期的运行时间（即，适合度评估的数量）是LOTZ的$O(n^3)$，以及OneMinMax和COCZ的$O(n^2\log n)$，这令人惊讶地与先前分析的简单MOEA、GSEMO和SEMO的相同。接下来，我们介绍一种新的父选择策略，随机锦标赛选择（即，$k$锦标赛选择，其中$k$是均匀随机抽样），以取代NSGA-II的二进制锦标赛选择策略，减少所需的预期运行时间为$O(n^2)$的所有三个问题。实验结果表明，LOTZ的运行时间上界是紧的，OneMinMax和COCZ的运行时间上界几乎是紧的.
2022-03-22 cs.NE
MOELIGA: a multi-objective evolutionary approach for feature selection with local improvement
Research Institute for Signals, Systems
本文提出MOELIGA，一种结合局部改进策略的多目标进化算法，用于在特征子集大小与分类精度之间取得平衡，通过实验验证其在14个数据集上优于或与现有方法相当的性能。
2026-04-07 cs.LG cs.NE
Non-Elitist Evolutionary Multi-Objective Optimisation: Proof-of-Principle Results
本文提出一种摒弃精英主义的简单多目标进化算法NE-MOEA，仅用Pareto支配排序进行种群更新，实验证明其在多个组合问题上可与NSGA-II等经典精英算法竞争。
2023-05-26 cs.NE
Robust Subset Selection by Greedy and Evolutionary Pareto Optimization
子集选择的目的是从基集中选择一个子集，以最大化某个目标函数，出现在各种应用中，如影响力最大化和传感器布局。然而，在现实世界的场景中，人们经常需要找到一个子集，该子集对（即，由于不确定性，在多个可能的目标函数上是好的，导致鲁棒子集选择的问题。本文考虑具有单调目标函数的鲁棒子集选择，放松了以前研究所要求的次模性质。我们首先表明，贪心算法可以获得一个近似比$1-e^{-βγ}$，其中$β$和$γ$是相关性和子模块比的目标函数，分别，然后提出EPORSS，进化Pareto优化算法，可以利用更多的时间来找到更好的子集。我们证明EPORSS也可以在理论上接地，实现类似的近似保证的贪心算法。此外，我们推导出了$β$的鲁棒影响力最大化的应用下界，并进一步进行实验，以验证贪心算法和EPORSS的性能。
2022-05-08 cs.CC cs.NE
Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting
University of Murcia（穆尔西亚大学）
提出一种嵌入LSTM的多目标进化特征选择方法，通过分区优化和堆叠集成提升泛化能力，并在空气质量数据上验证优于现有方法。
2023-12-29 cs.LG cs.NE
Artificial Mutation inspired Hyper-heuristic for Runtime Usage of Multi-objective Algorithms
在过去的几年中，多目标进化算法（MOEA）已被应用到不同的软件工程问题，许多相互冲突的目标，同时优化。从理论上讲，进化算法具有很好的运行时优化特性，因为它们可以在任何执行时间提供解决方案。在实践中，基于达尔文启发的自然选择，这些进化算法产生了许多死产的解决方案，其计算导致了计算资源的浪费：自然选择自然是缓慢的。在本文中，我们通过观察现代生物学研究，重新考虑了这一基本类比，以加速MOEA的收敛：人工选择已被用于实现预期的特定目的，而不仅仅是依靠交叉和自然选择（即，Muller等[18]用X射线对水果进行人工诱变的研究）。抛开与自然选择的类比，本文提出了一种超启发式MOEA算法命名为Sputnik 1，使用人工选择性变异，以提高收敛速度的MOEA。Sputnik利用过去的突变效率历史来选择最相关的突变来执行。我们评估Sputnik上的云推理引擎，它驱动按需配置，同时考虑冲突的性能和成本目标。我们已经进行了实验，以突出Sputnik在分辨率时间方面的显着性能改进。
2014-02-18 cs.NE cs.SE
A Multi-objective Exploratory Procedure for Regression Model Selection
变量选择被认为是统计建模中最关键的步骤之一。工程和社会科学中遇到的问题通常具有解释变量过多、非线性和回归变量之间未知的相互依赖性等特点。另一个困难是，分析人员可能对变量的相对重要性知之甚少或一无所知。为了提供一种稳健的模型选择方法，本文介绍了变量选择的多目标遗传算法（MOGA-VS），它为用户提供了一组最优的回归模型，为给定的数据集。该算法将回归问题视为一个双目标任务，并通过优先选择具有较少回归系数和较好拟合优度的模型来探索Pareto最优（最佳子集）模型。可以基于样本内或泛化误差最小化来执行模型探索。建议分两步进行模型选择。首先，我们生成帕累托最优回归模型的边界，通过消除主导模型，没有任何用户干预。其次，执行决策过程，允许用户使用可视化和简单的度量来选择最喜欢的模型。该方法已被评估最近公布的真实数据集在美国境内的社区和犯罪。
2016-07-13 cs.NE stat.AP stat.CO
Constrained Multi-objective Optimization with Deep Reinforcement Learning Assisted Operator Selection
School of Computer Science, China University of Geosciences（中国地质大学计算机学院）；Tsinghua University（清华大学）；Bielefeld University（比勒费尔德大学）
本文提出深度强化学习辅助的在线算子选择框架，将种群收敛性、多样性和可行性作为状态，以Q网络自适应选择最优算子，并嵌入四种CMOEA在42个基准问题上验证了其显著性能提升和更强通用性。
2024-01-15 cs.AI cs.NE
Compact NSGA-II for Multi-objective Feature Selection
Ontario Tech University（安大略理工大学）；Brock University（布鲁克大学）；Wilfrid Laurier University（威尔弗里德劳里埃大学）
本文提出二元紧凑型NSGA-II算法，用多个概率向量代替双种群进行多目标特征选择，在五个数据集上以更低内存取得优于NSGA-II的超体积性能。
2024-02-20 cs.LG cs.NE
Multi-objective Binary Coordinate Search for Feature Selection
Ontario Tech University（安大略理工大学）；Brock University（布罗克大学）；Wilfrid Laurier University（威尔弗里德劳里埃大学）
本文提出首个多目标坐标搜索算法MOCS，通过翻转Pareto前沿候选解的单变量生成新特征子集，在大规模特征选择中显著优于NSGA-II，且无需超参数、计算效率更高。
2024-02-20 cs.LG cs.NE
A Multi-objective Optimization Approach for Feature Selection in Gentelligent Systems
Birmingham City University（伯明翰城市大学）；Institute of Systems Engineering, Macau University of Science and Technology（澳门科学理工学院系统工程研究所）；Helen and John C. Hartmann Department of Electrical and Computer Engineering, New Jersey Institute of Technology（新泽西理工学院亨利和约翰·C·哈特曼电气与计算机工程系）
本文提出了一种多目标优化方法，用于gentelligent系统中的特征选择，通过混合框架和帕累托最优解探索，提升制造过程的效率和自动化水平。
2025-11-20 cs.AI cs.NE
A Parallel MOEA with Criterion-based Selection Applied to the Knapsack Problem
在本文中，我们提出了一个并行多目标进化算法称为并行标准为基础的分区MOEA（PCPMOEA），与应用程序的多目标背包问题（MOKP）。建议的搜索策略是基于潜在的有效解，这是分布到多个多目标进化算法（MOEAs）的周期性分区。每个MOEA都致力于一个单一的目标，其中它结合了基于标准和基于优势的方法。该算法解决了两个主要的子目标：最小化当前非支配解与理想点之间的距离，并确保潜在的有效解的传播。包括实验结果，我们评估的性能，建议的算法对上述子目标，与国家的最先进的结果相比，使用著名的多目标元分析。
2018-11-06 cs.NE math.OC
A fuzzy adaptive evolutionary-based feature selection and machine learning framework for single and multi-objective body fat prediction
本文提出了一种融合模糊集理论和进化算法的特征选择与机器学习框架，用于提升身体脂肪预测的准确性与稳定性，同时解决多目标优化中的冲突问题。
2025-03-07 cs.LG cs.NE
Guiding Multi-Objective Genetic Programming with Description Length Improves Symbolic Regression Solutions
Astrophysics, University of Oxford（牛津大学天体物理学系）；Institute of Cosmology & Gravitation, University of Portsmouth（朴茨茅斯大学宇宙学与引力研究所）
本文研究了如何利用描述长度（DL）和分数贝叶斯因子（FBF）作为数据高效的方法，替代启发式方法来选择泛化性好的紧凑表达式，从而改进符号回归的解决方案。
2026-05-21 cs.NE stat.ML
Multi-Objective Genetic Algorithm for Multi-View Feature Selection
University of Eastern Finland（东芬兰大学）；Aalto University（阿尔托大学）
提出MMFS-GA多目标遗传算法，在统一框架内同时进行视图内与视图间特征选择，提升多视图分类性能与可解释性。
2024-03-04 cs.AI cs.LG cs.NE
A Frequency-based Parent Selection for Reducing the Effect of Evaluation Time Bias in Asynchronous Parallel Multi-objective Evolutionary Algorithms
Faculty of System Design, Tokyo Metropolitan University（东京都立大学系统工程设计学部）
本文提出一种基于频率的父代选择方法，用于减少异步并行多目标进化算法中评估时间偏差对搜索性能的负面影响。
2022-12-14 cs.DC cs.NE
Three-Objective Integral R2 Subset Selection: NP-Hardness and Submodular Approximation
针对三目标优化中积分R2指标的子集选择问题，证明其NP困难性，同时发现R2改进函数具有单调子模性，从而给出(1-1/e)近似保证的贪心算法。
2026-06-26 cs.CG cs.NE math.OC
Large-scale Multi-objective Feature Selection: A Multi-phase Search Space Shrinking Approach
Wilfred Laurier University（劳里埃大学）；Brock University（布鲁克大学）
针对大规模高维特征选择的稀疏优化难题，提出基于搜索空间收缩的多目标进化算法LMSSS，通过排序过滤、智能交叉变异提升搜索效率，在15个数据集上性能优于现有先进算法，树立新基准。
2024-10-13 cs.AI cs.LG cs.NE
On the Combined Impact of Population Size and Sub-problem Selection in MOEA/D
University of Lille（里尔大学）；Inria（法国国家信息与自动化研究所）；University of Exeter（埃克塞特大学）；City University Hong Kong（香港城市大学）
本文旨在理解和改进基于分解的多目标进化算法的工作原理。我们审查的设计完善的MOEA/D框架，以支持子问题选择的不同策略的顺利整合，同时强调在每一代的人口规模和后代的数量的作用。通过对广泛的多目标组合NK景观进行全面的实证分析，我们提供了新的见解，这些参数的组合效果的基础搜索过程中的任何时候的性能。特别是，我们表明，即使是一个简单的随机策略选择子问题随机优于现有的复杂的战略。我们还研究了这种策略的灵敏度相对于目标问题的粗糙度和目标空间维度。
2020-04-15 cs.AI cs.NE
Downscaling near-surface atmospheric fields with multi-objective Genetic Programming
土壤-植被-大气系统的不同组成部分的模型耦合需要调查组件的相互作用和反馈过程。然而，由于主导过程的影响，大气、陆面和次表层的分量模式通常在不同的时空分辨率下运行。例如，计算上通常更昂贵的大气模式通常以比陆地表面和地下模式更粗糙的分辨率使用。因此，需要在大气模式和地表/次表层模式之间的界面上进行放大和缩小程序。我们将多目标遗传编程（GP）应用于高分辨率大气模式运行的训练数据集，以学习重建精细尺度场的方程或短程序（例如，400米分辨率）从粗略大气模式输出（例如，2.8 km分辨率）。像人工神经网络一样，GP可以灵活地结合多变量和非线性关系，但其优点是解决方案是人类可读的，因此可以检查物理一致性。使用强度帕累托方法进行多目标适应度分配，使我们能够在学习过程中考虑细尺度字段的多个特性。
2014-07-07 cs.NE physics.ao-ph
Bayesian Hierarchical Multi-Objective Optimization for Vehicle Parking Route Discovery
Assam University（阿萨姆大学）
发现到最可行的停车场的最佳路线一直是任何驾驶员关注的问题，其在一天的高峰时间和拥挤的地方进一步加速，导致相当大的时间和燃料浪费。本文提出了一种贝叶斯分层技术，以获得最佳路径到停车场。路径选择是基于相互冲突的目标，因此该问题属于多目标优化领域。概率数据驱动的方法已被用来克服固有的问题的权重选择在流行的加权和技术。这些相互冲突的目标的权重已被细化使用贝叶斯分层模型的基础上多项式和狄利克雷先验。遗传算法已被用于获得最优解。模拟数据已被用来获得与现实生活中的情况非常吻合的路线。
2020-03-27 cs.AI cs.NE
