T-DominO: Exploring Multiple Criteria with Quality-Diversity and the Tournament Dominance Objective
现实世界的设计问题是约束、目标和特性的混乱组合。探索这些问题空间可以被定义为多标准探索(MCX)问题,其目标是产生一组在许多目标上具有高性能的多样化解决方案,同时避免在任何目标上的低性能。质量多样性算法产生所需的设计变化,但通常只考虑一个目标。我们提出了一个新的排名,T-DominO,专门设计用于处理MCX问题中的多个目标。T-DominO将个人相对于档案中的其他解决方案进行排名,优先考虑具有平衡性能的个人,而不是那些以牺牲其他目标为代价在少数目标上表现出色的个人。在每个MAP-Elites bin中只保留一个平衡的解决方案,以保持归档的视觉可访问性-这是设计探索的强大资产。我们说明了我们的方法在一组易于理解的基准,并展示其潜力在一个多目标的现实世界的架构案例研究。
2022-07-04 cs.NE
A Many-Objective Evolutionary Algorithm Based on Decomposition and Local Dominance
多目标进化算法,特别是基于分解的多目标进化算法,近年来受到了广泛的关注。最近的研究表明,分解方法和支配方法的良好设计的组合可以提高性能,即,一个经济部的趋同性和多样性。本文提出了一种将分解方法和控制方法相结合的新方法。更精确地说,一组权重向量被用来分解一个给定的多目标优化问题(MaOP),并提出了一种混合的方法,基于惩罚的边界相交函数和优势的比较局部解定义的权重向量的子种群。一个基于混合方法的MOEA被实现,并在两个著名的测试套件中选择的问题上进行测试,DTLZ和WFG。实验结果表明,我们的算法是非常有竞争力的处理MaOP。随后,我们的算法扩展到解决约束MaOP,我们的算法的约束版本也表现出良好的性能,在收敛性和多样性。这表明,利用局部优势并将其与分解方法相结合,可以有效地提高MOEA的性能。
2019-09-04 cs.NE
Dominance Move calculation using a MIP approach for comparison of multi and many-objective optimization solution sets
优势移动(DoM)是一种可用于多目标优化的二元质量指标。它可以比较解集,同时表示一些重要的特征,如收敛性,扩散性,一致性和基数。DoM有一个直观的概念,并考虑一个集合的最小移动需要弱帕累托支配其他集合。尽管有上述属性,但DoM很难计算。原来的配方提出了一个有效的和准确的方法来计算它在一个双目标的情况下。这项工作提出了一种新的方法来计算和扩展DoM处理三个或更多的目标。其思想是使用混合整数规划(MIP)方法来计算DoM。在双目标空间中进行了一些初步实验来验证模型的正确性。此外,其他实验,使用三个,五个和十个目标函数进行了展示模型的行为在高维情况下。使用诸如IBEA、MOEAD、NSGAIII、NSGAII和SPEA2的算法来生成解集,然而任何其他算法可以与DoM指示符一起使用。结果证实了MIP DoM在具有三个以上目标函数的问题中的有效性。最后的说明,注意事项和未来的研究进行了讨论,利用一些解决方案集的特殊性和改进的模型和其他情况下使用。
2020-01-10 cs.NE math.OC
Analyzing Dominance Move (MIP-DoM) Indicator for Multi- and Many-objective Optimization
优势移动(DoM)是一个二元质量指标,可用于多目标和多目标优化,以比较从不同算法获得的两个解集。DoM指示器可以区分某些重要特征的集合,例如收敛性,扩散性,一致性和基数。DoM不使用任何参考,并且它具有直观和物理意义,类似于$ε$ -指示符,并且计算一个集合的成员的最小总移动,使得另一集合中的所有元素将被支配或与第一集合中的至少一个成员相同。尽管有上述性质,DoM很难计算,特别是在更高的维度。只有在双目标情况下才有一种有效而精确的方法来计算它。这项工作提出了一种新的方法来计算DoM使用混合整数规划(MIP)的方法,它可以处理三个或更多的目标集,并克服了$ε$ -指标的信息丢失。在双目标空间中进行了实验,验证了模型的正确性。此外,其他实验,使用3,5,10,15,20,25和30个目标的问题进行,以显示该模型在高维情况下的行为。使用诸如IBEA、MOEA/D、NSGA-III、NSGA-II和SPEA 2的算法来生成解集(然而,任何其他算法也可以与所提出的MIP-DoM指示符一起使用)。进一步的扩展进行了讨论,以处理某些解决方案集的某些特质,并提高质量指标及其在其他情况下的使用。
2021-02-05 cs.NE
Multi-objectivization Inspired Metaheuristics for the Sum-of-the-Parts Combinatorial Optimization Problems
多目标化是一个术语,用于描述通过多目标算法优化单目标问题的策略。本文主要研究了部分和组合优化问题的多目标化问题,包括旅行商问题、无约束二次规划问题和其他著名的组合优化问题。针对部分和组合优化问题,提出将原目标分解为两个相关性可控的子目标。在此基础上,分别提出了两种新的多目标启发式单目标优化方法:非支配搜索法和非支配利用法。非优势搜索与两个元启发式算法相结合,即迭代局部搜索和迭代禁忌搜索,而非优势利用嵌入在迭代Lin-Kernighan元启发式算法中。由此产生的元分析分别称为ILS+NDS、ITS+NDS和ILK+NDE。对TSP和UBQP问题的实证研究表明,在子目标之间具有适当的相关性的情况下,从分解后的子目标定义的非支配解中选择新的初始解时,有更多的机会跳出局部最优解。实验结果还表明,ILS+NDS,ITS+NDS和ILK+NDE在大多数测试实例上都显着优于其对应的。
2021-02-03 cs.NE
Improving Many-Objective Evolutionary Algorithms by Means of Edge-Rotated Cones
给定$m$维目标空间中的一个点,该点的任何$\varepsilon$ -球都可以划分为不可比较区域、支配区域和控制区域。不可比区域的大小与支配(和主导)区域的大小之间的比率与$1/2^{m-1}$成比例地减小,即,帕累托主导的正体的体积与所有其他体积相比。由于这个原因,通过随机的各向同性突变来找到主导点变得越来越不可能。作为一种补救措施,在许多目标优化搜索停滞,在本文中,我们建议提高帕累托优势秩序涉及一个钝凸优势锥的收敛阶段的进化优化算法。我们提出了边旋转锥作为广义的帕累托优势锥的开口角可以控制一个单一的参数。该方法集成在几个国家的最先进的多目标进化算法(MOEAs)和测试基准问题的四,五,六和八个目标。计算实验表明,这些边缘旋转锥的能力,以提高多目标优化问题的MOEA的性能。
2020-06-19 cs.NE
An Assignment Problem Formulation for Dominance Move Indicator
优势移动(DoM)是多目标优化中比较解集的一个二进制质量指标。在比较解决方案集时,该指标允许更自然和直观的关系。它是帕累托兼容的,不需要任何参数或参考集。尽管它的优点,组合计算的性质是一个限制。原来的配方提出了一个有效的方法来计算它在一个双目标的情况下。这项工作提出了一个分配公式计算DoM的问题有三个或更多的目标。在双目标空间中进行了一些初步的实验,以证明模型的正确性。接下来,还进行了其他实验,使用三个维度,以展示DoM如何与其他指标进行比较:倒置世代距离(IGD)和超体积(HV)。结果表明,DoM的分配公式对于三个以上的目标是有效的。但是,也有一些优点和缺点,这是讨论和详细。一些注释、考虑和未来的研究路径结束了这项工作。
2020-05-14 cs.NE
Merge Non-Dominated Sorting Algorithm for Many-Objective Optimization
许多基于Pareto的多目标进化算法需要在每次迭代中根据优势原则对种群的解进行排序,这可能成为一个昂贵的操作,特别是在处理多目标优化问题的情况下。本文提出了一种新的计算非支配排序过程的有效算法,称为合并非支配排序(MNDS),它的最佳计算复杂度为$Θ(NlogN)$,最差计算复杂度为$Θ(MN^2)$.我们的方法是基于利用合并排序算法的特点,每个解决方案的优势集的计算。我们比较MNDS对四个众所周知的技术,可以被认为是最先进的。结果表明,MNDS算法优于其他技术的比较次数以及总运行时间。
2018-09-17 cs.NE
Promoting Semantics in Multi-objective Genetic Programming based on Decomposition
遗传程序(GP)中的语义研究涉及给定一组输入的程序的行为,并已被广泛报道,有助于促进GP中的多样性,最终改善进化搜索的一系列复杂问题。这些研究中的绝大多数都将注意力集中在单目标GP上,只有少数例外,其中基于Pareto的优势算法(如NSGA-II和SPEA 2)被用作测试高度流行的基于语义的方法(如基于语义相似性的交叉(SSC))是否有助于或阻碍进化搜索的框架。令人惊讶的是,据报道,SSC在SOGP中表现出的好处在基于帕累托的优势多目标GP中看不到。在这项工作中,我们有兴趣研究,如果同样进行基于分解的多目标进化算法(MOEA/D)。通过使用MNIST数据集,一个众所周知的数据集在机器学习社区中使用,我们展示了如何SSC在MOEA/D促进语义多样性产生更好的结果相比,当这是不存在于规范的MOEA/D。
2020-12-08 cs.NE
Rank-based Non-dominated Sorting
非支配排序是基于Pareto的多目标进化算法(MOEAs)中的一个计算瓶颈,因为在候选解之间建立支配关系需要大量的比较操作。在本文中,我们介绍了秩排序,非支配排序方法利用排序稳定性和有序信息,以避免昂贵的优势比较的秩分配阶段。提出了两种算法变体:第一种是RankOrdinal(RO),使用序数秩比较来确定优势,需要O(N)空间;第二种是RankIntersect(RS),使用集合交集和位级并行,需要O(N^2)空间。我们证明了所提出的方法的效率相比,其他国家的最先进的算法在经验模拟使用NSGA 2算法以及合成基准。RankIntersect算法能够显著优于当前最先进的技术,为许多目标提供高达30%的加速。所有算法都提供了C++实现。
2022-03-28 cs.CC cs.DS cs.NE
On the Use of Bi-Objective Evolutionary Algorithms for the Stochastic MKP under Dynamic Constraints
Adelaide University(阿德莱德大学)
本文研究了在动态约束下具有机会约束的随机MKP,采用双目标优化方法平衡利润最大化和概率容量满足,对比四种主流多目标进化算法在不同不确定性水平和动态变化下的表现。
2026-04-13 cs.NE
Weak Pareto Boundary: The Achilles' Heel of Evolutionary Multi-Objective Optimization
Southern University of Science and Technology(南方科技大学);Xi’an University of Technology(西安理工大学)
本文研究了弱Pareto边界对多目标进化算法的挑战,揭示了其属性对算法性能的影响,并指出现有算法难以全面应对这些挑战。
2025-05-20 cs.NE
Uncertainty-Aware Offline Data-Driven Multi-Objective Optimization
University of Birmingham(伯明翰大学);Coventry University(考文垂大学);Durham University(杜伦大学)
本文提出一种双排序策略,利用不同代理模型的预测结果和不确定性估计,提高离线数据驱动多目标优化的鲁棒性。
2026-04-29 cs.NE
An Evolutionary Algorithm with Probabilistic Annealing for Large-scale Sparse Multi-objective Optimization
Anhui University(安徽大学);Sapient Intelligence, Singapore(新加坡赛普智能)
本文提出一种具有概率退火的进化算法,用于解决大规模稀疏多目标优化问题,通过动态平衡探索与开发提升收敛性和多样性。
2026-03-12 cs.NE
Solving Large-Scale Multi-Objective Optimization via Probabilistic Prediction Model
Xiamen University(厦门大学);Hong Kong Polytechnic University(香港理工大学)
大规模多目标优化问题(LSMOP)的主要特点是在考虑数千个决策变量的同时优化多个相互冲突的目标。一个有效的LSMOP算法应该具有从巨大的搜索空间中跳出局部最优解并找到全局最优解的能力。目前的研究大多集中在如何处理决策变量上。但由于决策变量数量庞大,容易导致计算成本高。保持种群的多样性是提高搜索效率的有效途径之一。在本文中,我们提出了一个概率预测模型的基础上的趋势预测模型和生成过滤策略,称为LT-PPM,以解决LSMOP。该方法通过重要性采样提高了种群的多样性。同时,由于采用了基于个体的进化机制,该方法的计算代价与决策变量的个数无关,从而避免了搜索空间的指数增长问题。我们比较了所提出的算法与几个国家的最先进的算法不同的基准函数。实验结果和复杂度分析表明,该算法在大规模多目标优化问题中的性能和计算效率都有显著提高。
2021-07-16 cs.AI cs.NE
Pareto Local Optima of Multiobjective NK-Landscapes with Correlated Objectives
University of Nice Sophia Antipolis(尼斯索菲亚·安提波利斯大学);CNRS(法国国家科学研究中心);INRIA Lille-Nord Europe(法国国家信息与自动化研究所里尔-北欧洲分部);Université Lille 1(里尔第一大学)
本文基于具有目标相关性的多目标NK-景观的局部最优解,对多目标组合优化进行了适应度景观分析。在单目标优化中,很明显局部最优对元分析的性能有很大的影响。在这里,我们提出了一个扩展的多目标的情况下,基于帕累托优势。研究了问题维数、非线性程度、目标函数个数以及目标函数之间的相关程度对Pareto局部最优解个数的共同影响。
2012-07-18 cs.AI cs.NE
MOEA/D-GM: Using probabilistic graphical models in MOEA/D for solving combinatorial optimization problems
进化算法的基础上建模的变量之间的统计依赖关系(相互作用)已被提出来解决广泛的复杂问题。这些算法学习和采样概率图形模型,能够编码和利用问题的复杂性。本文探讨了使用概率建模技术作为一种方式,以提高MOEA/D框架的行为的效果。MOEA/D是一种基于分解的进化算法,它将多目标优化问题分解为多个标量单目标子问题,并以协作方式对其进行优化。MOEA/D框架已被广泛用于解决多目标优化问题。所提出的算法,MOEA/D使用概率图形模型(MOEA/D-GM)是能够实例化单变量和多变量概率模型的每个子问题。为了验证所介绍的框架算法,进行了实验研究的多目标版本的欺骗函数Trap 5。结果表明,该框架的变体(MOEA/D-Tree),其中树模型是从变量之间的互信息矩阵中学习的,能够捕捉到问题的结构。MOEA/D-Tree能够实现比使用遗传算子的MOEA/D和使用单变量概率模型的MOEA/D更好的结果,在逼近真实Pareto前沿方面。
2015-11-18 cs.NE
A probabilistic and multi-objective analysis of lexicase selection and epsilon-lexicase selection
词典选择是一种父选择方法,它在执行父选择时单独考虑训练案例,而不是聚合。鉴于以前的工作已经证明了词典选择解决困难的问题,在程序合成和符号回归的能力,本文的中心目标是发展的理论基础,解释其性能。为此,我们推导出一个分析公式,给出了预期的概率选择下词典选择,给定的人口及其行为。此外,我们扩展的词库选择的关系,多目标优化方法来描述词库选择的行为,这是选择的帕累托前沿的边界上的高维空间中的个人。我们分析了为什么词典选择在一定规模的人群和训练案例中表现得更差,以及为什么它在连续错误空间中表现得更差。为了解决这最后一个问题,我们提出了新的变体ε词典选择,一种方法,修改词典选择的通过条件,允许近精英个人通过的情况下,从而提高选择性能与连续错误。我们表明,ε-lexicase优于几个多样性维护策略的一些现实世界和合成回归问题。
2018-04-29 cs.NE
Semantic Neighborhood Ordering in Multi-objective Genetic Programming based on Decomposition
遗传编程中的语义多样性在进化搜索中被证明是非常有益的。我们目睹了该领域科学作品数量的激增,首先是在离散空间开始,然后转移到连续空间。然而,绝大多数的这些作品,都集中在单目标遗传编程范例的注意力,与少数例外,专注于进化多目标优化(EMO)。后者的作品使用了众所周知的强大的算法,包括非支配排序遗传算法II和强度帕累托进化算法,两者都深受帕累托优势的概念。这些鼓舞人心的工作使我们在EMO中向前迈出了一步,考虑基于分解的多目标进化算法(MOEA/D)。我们首次展示了如何在遗传编程中促进MOEA/D的语义多样性。
2021-04-13 cs.NE
Swarm Intelligence for Multiobjective Optimization of Extraction Process
Universiti Technologi Petronas(马来西亚国家石油大学)
多目标(MO)优化是一个新兴的领域,越来越多地在全球许多行业中实施。本研究对栀子果实中生物活性物质的提取工艺进行了MO优化。三个基于群体的算法已被应用结合正常边界相交(NBI)的方法来解决这个MO问题。在这项工作中的引力搜索算法(GSA)和粒子群优化(PSO)技术的实现。此外,一种新的Hopfield增强粒子群优化算法的开发和应用到提取问题。通过对优势度的度量,对所有算法产生的近似Pareto边界的最优性进行了度量和比较。此外,通过测量前沿的收敛水平,揭示了一些关于客观空间结构与前沿优势水平之间关系的理解。详细的比较研究进行了所有的算法,并在这项工作中开发。
2016-09-30 cs.AI cs.NE
Hierarchical Bayesian Approach for Improving Weights for Solving Multi-Objective Route Optimization Problem
St. Xavier’s College(圣泽维尔学院);Assam University(阿萨姆大学)
加权求和法是一种简单而广泛使用的技术,它将多个相互冲突的目标量化为单个目标函数。它遇到了确定与目标相对应的适当权重的问题。本文提出了一种新的多层贝叶斯模型的基础上多项分布和Dirichlet前细化的权重来解决这样的多目标路径优化问题。模型和方法围绕着从小规模试点调查中获得的数据。该方法旨在改进智能交通系统领域中的现有权重确定方法,因为通过适当的概率建模进行的数据驱动权重选择平均而言比非概率技术确保了更可靠的结果。应用这一模型和方法的模拟以及真实的数据集显示相当令人鼓舞的性能方面稳定的权重估计。
2020-05-03 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
Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization
多目标最优化进化算法的主要困难是如何找到一个合适的解,该解能够以高多样性收敛到真正的Pareto前沿。大多数现有的方法,这已经证明了他们的利基对各种实际问题,涉及两个和三个目标,面临着重大的挑战,在依赖的EA参数的选择。此外,设置这样的参数的过程被认为是耗时的,并且一些研究工作试图处理这个问题。提出了一种新的多目标优化算法MoHAEA。MoHAEA允许动态适应的应用程序的运营商的概率(率)演变的多目标问题的解决方案相结合的优势和分解为基础的方法。在10个广泛使用的多目标测试问题上,将MoHAEA与四种最先进的MOEA,即MOEA/D,pa $λ$ -MOEA/D,MOEA/D-AWA和NSGA-II进行了比较。实验结果表明,MoHAEA优于基准算法,它是如何能够找到一个覆盖良好,分布良好的一组点的Pareto阵线。
2020-04-29 cs.NE math.OC
Multi-objective Analysis of MAP-Elites Performance
在某些复杂的优化任务中,有必要使用多个度量来表征不同算法的性能。本文提出了一种方法,结合序效应大小和帕累托优势分析此类情况。由于该方法是有序的,因此即使性能测量的尺度不同,它也可以在不同的优化任务中推广。通过一个案例研究,我们表明,这种方法可以发现和量化的关系,这将是很难推断出使用传统的测量分析。这种情况下,研究适用于机器人控制器的剧目使用MAP精英算法的演变方法。在这里,我们分析了搜索性能在一个大的参数集;不同的突变大小和操作员类型,以及地图分辨率,在四个不同的机器人形态。我们发现,突变的平均幅度比其精确分布对结果的影响更大。
2018-06-07 cs.NE
Amino Acid Interaction Network Prediction using Multi-objective Optimization
蛋白质可以用氨基酸相互作用网络来表示。这个网络是一个图,其顶点是蛋白质氨基酸,其边是它们之间的相互作用。这种相互作用网络是蛋白质三维结构预测的第一步。本文提出了一种多目标进化算法进行交互作用预测,并采用蚁群概率优化算法确定交互作用。
2014-01-15 cs.CE cs.NE
Design and Analysis of Diversity-Based Parent Selection Schemes for Speeding Up Evolutionary Multi-objective Optimisation
在多目标优化的进化算法中,父节点的选择通常是通过偏好非支配点的优势机制或指示函数来实现的。我们建议改进进化多目标优化与多样性为基础的指标的父选择。其目的是关注位于搜索空间的探索不足的区域中具有高多样性贡献的个体,因此创建新的非支配个体的机会比在人口稠密的区域中更好。我们表明,通过严格的运行时分析,使用基于多样性的父选择机制,在简单的进化多目标优化器(SEMO)和全球SEMO的众所周知的双目标函数${\rm O{\small NE}M{\small IN}M{\small AX}}$和${\rm LOTZ}$可以显着提高其性能。我们的理论结果伴随着实验研究,表明理论和实证结果之间的对应关系,并激励进一步的理论研究方面的停滞。我们表明,停滞可能会发生时,有利于个人的高多样性的贡献,在父母的选择步骤,并提供了一个讨论,该计划用于更复杂的问题,根据我们的理论和实验结果。
2018-05-22 cs.NE
Structural bias in multi-objective optimisation
Brno University of Technology(布尔诺工业大学);LIACS, Leiden University(莱顿大学 LIACS);Leiden University(莱顿大学)
本文提出了一种用于研究多目标优化中结构偏差的测试方法,通过合成问题解耦算法行为与问题结构,系统分析不同结构偏差表现。
2026-02-06 cs.NE math.OC
A Longitudinal Analysis of the CEC Single-Objective Competitions (2010-2024) and Implications for Variational Quantum Optimization
VSB - Technical University of Ostrava(俄斯特拉发理工大学);IT4Innovations National Supercomputing Center, VSB - Technical University of Ostrava(俄斯特拉发理工大学 IT4创新国家超级计算中心);Klaipeda University(克莱佩达大学);Technical University of Munich(慕尼黑工业大学);Indian Statistical Institute(印度统计研究所);Università dell’Aquila(阿奎拉大学)
本文分析了CEC单目标优化竞赛结果的历史发展,揭示了基准函数对获胜算法的影响,指出2014年引入的密集旋转矩阵是关键性能过滤器,推动了差分进化变体的发展,并探讨了现代基准与变分量子算法景观的相似性。
2026-03-25 cs.NE quant-ph