New Model for Multi-Objective Evolutionary Algorithms
多目标进化算法是解决多目标优化问题的有效方法。到目前为止,已经提出了数十个MOEA。统一模式将为建立新的多边环境协定提供一个更系统的办法。在这里,提出了一个新的模型,其中包括两个子模型的基础上两类不同的模式MOEA。在此基础上,对一些有代表性的算法进行了分解,并讨论了一些有趣的问题.
2011-01-31 cs.NE
MOEA/D with Uniformly Randomly Adaptive Weights
当使用基于分解的算法时,适当的权重集可能会提高最终解决方案的质量。一组均匀分布的权重通常会导致帕累托前沿的良好分布的解决方案。然而,这种方法有两个主要困难。首先,它可能会失败,这取决于问题的几何形状。其次,随着目标数量的增加,人口规模变得不灵活。在本文中,我们提出了MOEA/D与均匀随机自适应权重(MOEA/DURAW),它使用均匀随机方法作为子问题生成的方法,允许灵活的人口规模,即使在与许多目标问题。在进化过程中,MOEA/D-URAW添加和删除子问题作为人口的稀疏水平的函数。此外,而不是需要假设的帕累托前沿形状,我们的方法适应其权重的形状的问题在进化过程中。实验结果表明,使用WFG 41 -48问题类,具有不同的帕累托前沿形状,本方法提出了更好的或相等的结果,在77.5%的问题,从2到6个目标进行评估时,与国家的最先进的方法在文献中。
2019-08-15 cs.NE
On Scalability of Multi-Objective Evolutionary Algorithms on Combinatorial Optimisation Problems
University of Birmingham(伯明翰大学)
本文研究了多目标进化算法在组合优化问题中的可扩展性,发现SEMO在大规模问题中收敛速度下降,缺乏交叉操作是其性能下降的主要原因。
2026-04-20 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
Proven Runtime Guarantees for How the MOEA/D Computes the Pareto Front From the Subproblem Solutions
本文首次分析了MOEA/D在子问题最优解仅为Pareto前沿严格子集时如何通过标准变异算子计算OneMinMax的完整Pareto前沿,证明了标准位变异的期望运行时上下界,并证明幂律变异可实现与子问题数量无关的显著加速。
2024-05-03 cs.NE
A Decomposition-Based Many-Objective Evolutionary Algorithm with Local Iterative Update
已有的研究表明,传统的基于分解的多目标进化算法在求解多目标优化问题时可能会失去种群多样性。本文提出了一种简单的基于分解的局部迭代更新MOEA算法。LIU策略具有两个特征,期望驱动种群接近具有良好分布的帕累托前沿。一个是,只有当前邻域中最差的解被新生成的后代替换掉,防止种群被少数个体的副本占据。另一个是它的迭代过程有助于为子问题分配更好的解,这有利于充分利用解与相邻子问题的相似性,在搜索空间中探索局部区域。此外,该算法的时间复杂度是相同的MOEA/D,并低于其他已知的MOEA,因为它只考虑在当前邻域内的个人在每次更新。该算法进行了比较,从两个著名的测试套件DTLZ和WFG选择的问题上的几个最好的MOEA。实验结果表明,该算法在DTLZ 4上只有少数运行实例失去了种群多样性。此外,该算法在运行时间和解决方案质量方面赢得了大多数测试实例,表明它在解决MaOP问题方面非常有效。
2018-06-27 cs.NE
Decomposition Multi-Objective Evolutionary Optimization: From State-of-the-Art to Future Opportunities
分解是经典数学规划中多目标优化和多准则决策的主流方法。然而,直到基于分解的多目标进化算法(MOEA/D)的发展,才在进化多目标优化的背景下对其进行了适当的研究。在这篇文章中,我们提出了一个全面的调查MOEA/D的发展,从它的起源到目前的国家的最先进的方法。为了做到自成一体,我们从一步一步的教程开始,旨在帮助新手快速进入MOEA/D的工作机制。然后,选择MOEA/D的主要发展,根据其核心设计组件,包括权重向量设置,子问题配方,选择机制和再生运营商进行审查。此外,我们还概述了一些进一步的发展约束处理,计算昂贵的目标函数,偏好纳入,和现实世界的应用。在最后一部分,我们为未来的发展提供了一些新的方向。
2021-08-21 cs.NE
A mullti- or many- objective evolutionary algorithm with global loop update
近年来,多目标进化算法,特别是基于分解的多目标进化算法得到了广泛的关注。基于分解的MOEA强调收敛性和多样性在一个简单的模型,并取得了巨大的成功,在处理理论和实际的多目标或多目标优化问题。在本文中,我们着重于基于分解的MOEA的更新策略,以及它们的比较标准。分析和讨论了基于局部更新策略的MOEA分解算法的三个缺点和现有的几个比较解的标准。提出了一种全局循环更新策略和两种混合准则。随后,一个进化算法的全局循环更新的实现和比较的几个最好的多目标或多目标优化算法在两个著名的无约束测试套件多达15个目标。实验结果表明,与采用局部更新策略的进化算法不同,该算法的种群在进化过程中不会退化,保证了种群的多样性.此外,我们的算法赢得了在大多数情况下的两个测试套件,这表明它是非常有竞争力的收敛性和多样性。我们的算法与不同的标准比较解决方案的运行结果进行了比较。它们的差异是非常显着的,表明我们的算法的性能受到它所采用的标准。
2018-01-25 cs.NE
A Survey of Decomposition-Based Evolutionary Multi-Objective Optimization: Part I-Past and Future
本文以MOEA/D为代表,系统综述了基于分解的进化多目标优化从起源到前沿方法的发展,涵盖权重向量、子问题、选择与繁殖算子等核心组件及约束处理、动态环境、昂贵目标和偏好融合等高级主题,并展望未来方向。
2024-10-21 cs.NE
Variable Division and Optimization for Constrained Multiobjective Portfolio Problems
East China Normal University(华东师范大学)
变量划分与优化(D\&O)是进化算法(EA)中一种常用的算法设计范式。D &O进化算法将一个变量分解为多个部分变量,然后分别对它们进行优化。因此,一个复杂的问题被分解成简单的子任务。例如,投资组合问题的一个变量可以分解为两个部分变量,即资产的选择和资本的分配。因此,我们分别优化这两个部分变量。没有正式的讨论如何迭代优化部分变量,以及为什么它可以工作的单目标和多目标问题的D\&O。本文填补了这一空白。在此基础上,提出了多目标问题中部分变量的精英选择方法。然后将该方法引入到基于分解的多目标进化算法(D &O-MOEA/D)中。在数学规划优化器的帮助下,实现了约束多目标投资组合问题。在实证研究中,D &O-MOEA/D被应用于20个实例和中国近期的股票市场。结果表明,D &O-MOEA/D在大规模问题上具有较好的优越性和通用性,在小规模问题上也有较好的性能。前者的目标收敛到帕累托前沿和后者有助于促进多样性的非支配解决方案在搜索过程中。
2021-01-21 cs.AI cs.NE
Migrant Resettlement by Evolutionary Multi-objective Optimization
本文提出基于进化多目标优化的移民安置框架 MR-EMO,将就业人数最大化与派遣人数最小化建模为双目标问题,并引入 GSEMO-SR,理论与实验均证明其优于贪心方法。
2024-09-08 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
A Two-stage Evolutionary Framework For Multi-objective Optimization
针对进化多目标优化中种群收敛性与多样性难以平衡的问题,提出两阶段进化框架TEMOF,通过分阶段父代选择与外部存档机制提升搜索能力,实验验证其在多类问题上的优异鲁棒性能。
2024-07-09 cs.NE
A Tailored NSGA-III Instantiation for Flexible Job Shop Scheduling
Leiden University(莱顿大学)
针对多目标柔性作业车间调度问题,提出了一种定制的多目标进化算法。它使用智能初始化方法来丰富第一个生成的种群,并提出了各种交叉算子,以创建一个更好的多样性的后代。特别地,采用了可调算法参数的MIP-EGO配置器来自动调整算子概率。此外,采用不同的局部搜索策略,探索更好的解决方案的邻域。通常,算法增强策略可以与任何标准EMO算法集成。在本文中,它已与NSGA-III解决基准多目标FJSP,而现成的NSGA-III的实现是不能解决FJSP。实验结果表明,该算法具有良好的性能和较小的计算开销.
2020-04-14 cs.AI cs.NE
A Generalized Scalarization Method for Evolutionary Multi-Objective Optimization
针对MOEA/D中仅$L_{\infty}$标量化可配合全局替换避免子问题与解不匹配的问题,提出广义$L_p$标量化方法,理论和实验证明其对任意$p\geq1$均有效,可适配非凸Pareto前沿的多目标优化问题。
2023-11-07 cs.NE
A preliminary survey on optimized multiobjective metaheuristic methods for data clustering using evolutionary approaches
目前的调查提供了国家的最先进的研究,大量致力于进化方法(EA)的聚类例证与多样性的演化计算。该调查提供了一个术语,突出了一些方面是非常重要的演变数据集群的背景下。本文任务的聚类权衡分支出广泛的多目标进化方法(MOEAs)的方法。最后,本研究解决了MOEA设计和数据聚类的潜在挑战,以及结论和建议,为新手和研究人员定位未来研究的最有前途的路径。MOEA在各种MOP应用中取得了巨大的成功,从教学多功能优化到现实世界的工程设计。该调查文件显着组织的发展见证了在过去的三十年中,基于EA的元分析,以解决多目标优化问题(MOP),并获得显着的进展,在一个单一的运行执政高品质的阐述。数据聚类是一个迫切的任务,其复杂性是由于缺乏唯一和精确的定义的集群。离散优化问题使用聚类空间来导出多目标数据聚类的解决方案。发现数据中存在的大多数或所有(不合逻辑的形状)聚类是无监督预测学习问题或探索性模式分析的长期目标。
2013-12-09 cs.NE
Enhanced Ideal Objective Vector Estimation for Evolutionary Multi-Objective Optimization
本文揭示了基于种群的理想目标向量估计方法在存在显著偏差的问题上表现不佳,分析了三类偏差的影响,并提出了即插即用的增强型理想目标向量估计(EIE)组件,通过在极值加权和方法定义的子问题上进行自适应细粒度搜索来改进估计,实验证明其能有效提升多种多目标进化算法的性能。
2025-05-28 cs.NE
When to Truncate the Archive? On the Effect of the Truncation Frequency in Multi-Objective Optimisation
本文研究多目标进化算法中存档截断时机对结果的影响,发现每生成一个新解即截断通常最优,而无界存档后再截断往往最差,并强调了开发专用子集选择技术的重要性。
2025-04-13 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
A Decomposition-based Large-scale Multi-modal Multi-objective Optimization Algorithm
多模态多目标优化问题是一类特殊的多Pareto子集多目标优化问题。本文在广泛应用的MOEA/D算法的基础上,提出了一种高效的多模态多目标优化算法。在我们提出的算法中,每个权重向量都有自己的子种群。通过清除机制和贪婪删除策略,我们提出的算法可以有效地保留等价的Pareto最优解(即,具有相同目标值的不同Pareto最优解)。实验结果表明,该算法在处理大规模多模态多目标优化问题时,能够有效地保持决策空间解的多样性。
2020-04-21 cs.NE
Peptide Vaccine Design by Evolutionary Multi-Objective Optimization
本文提出基于进化多目标优化的框架 PVD-EMO,将肽疫苗设计建模为同时最大化肽-MHC结合数并最小化所选肽数的双目标问题,并结合热启动与修复策略,在COVID-19疫苗设计实验中优于贪心算法。
2024-06-09 cs.NE q-bio.BM
Towards Running Time Analysis of Interactive Multi-objective Evolutionary Algorithms
本文首次对实用交互式多目标进化算法(R-NSGA-II)进行运行时间分析,证明其在OneMinMax和OneJumpZeroJump问题上渐近快于传统NSGA-II,并指出其可能失效的情形。
2023-10-15 cs.NE
EvoPref: Multi-Objective Evolutionary Optimization Discovers Diverse LLM Alignments Beyond Gradient Descent
The University of Hong Kong(香港大学);Stellaris AI Limited(Stellaris AI有限公司)
EvoPref通过多目标进化算法在帮助性、无害性和诚实性目标上优化LoRA适配器,发现比梯度下降更丰富的对齐方式,实验显示其在偏好覆盖和崩溃率上均有显著提升。
2026-06-23 cs.AI cs.CL cs.LG
A Universal Framework for Large-Scale Multi-Objective Optimization Based on Particle Drift and Diffusion
本文提出一种基于粒子漂移与扩散的大规模多目标优化通用框架,将优化过程分为两个粗调子阶段和一个精调子阶段,通过在不同子阶段对引导解执行不同漂移-扩散策略,显著提升多目标进化算法的收敛性、多样性和计算效率。
2025-09-19 cs.NE
PasMoQAP: A Parallel Asynchronous Memetic Algorithm for solving the Multi-Objective Quadratic Assignment Problem
多目标优化问题(MOPs)在过去的几十年中受到越来越多的关注。多目标进化算法(MOEAs)由于能够逼近一组非支配的高质量解而被广泛用于求解MOP问题。多目标二次分配问题(Multi-Objective Quadratic Assignment Problem,mQAP)是一个多目标问题。mQAP是经典QAP的推广,已被广泛研究,并用于几个现实生活中的应用。mQAP被定义为具有作为输入的设施之间的几个流,其产生必须同时优化的多个成本函数。在这项研究中,我们提出了PasMoQAP,一个并行异步模因算法来解决多目标二次分配问题。PasMoQAP基于一个岛屿模型,通过创建子种群来构建种群。每个岛上的模因算法各自进化出一个减少的解决方案群体,它们通过将选定的解决方案发送到相邻的岛屿来异步合作。实验结果表明,我们的方法显着优于所有的岛屿为基础的变种的多目标进化算法NSGA-II。我们表明,PasMoQAP是一个合适的替代解决多目标二次分配问题。
2017-06-27 cs.DC cs.NE
A Novel Method for Stock Forecasting based on Fuzzy Time Series Combined with the Longest Common/Repeated Sub-sequence
National Chi-Nan University(国立暨南国际大学)
股票价格预测对投资者来说是一个重要的问题,因为极端准确的预测可以带来高利润。模糊时间序列(FTS)和最长共同/重复子序列(LCS/LRS)是价格预测的两个重要问题。然而,据我们所知,没有显着的研究使用LCS/LRS预测股票价格。价格不可能与历史价格完全相同。因此,本文提出了一种结合FTS和LCS/LRS的股票价格预测方法。这种方法是基于历史会重演的原则。它使用不同的区间长度在FTS的价格模糊化,LCS/LRS寻找相同的模式,在历史价格预测未来的股票价格。在实验中,我们检查各种区间的模糊时间集,以达到高的预测精度。所提出的方法优于传统的方法在预测精度方面,而且,它是易于实现的。
2015-06-21 cs.AI cs.CE cs.NE
An Efficient Multi-objective Evolutionary Approach for Solving the Operation of Multi-Reservoir System Scheduling in Hydro-Power Plants
Universidad de Alcalá(阿尔卡拉大学);Federal University of Rio de Janeiro(里约热内卢联邦大学);Federal Center of Technology Education of Minas Gerais(米纳斯吉拉斯联邦技术教育中心)
本文研究了多水库系统梯级运行方案下的短期水电机组组合问题。为此,我们提出了一个新的数学模型,其目标是最大限度地提高总发电量的水电站在一个子日常操作,同时,最大限度地提高水库的总含水量(体积)。为了解决这个问题,我们讨论了多目标进化群杂交(MESH)算法,最近提出的多目标群体智能为基础的优化方法,取得了非常有竞争力的结果相比,现有的进化算法在特定的应用。MESH方法已被应用于寻找最佳的水排放量和发电量在最大水库体积的所有可能的组合涡轮机在水电站。MESH的性能进行了比较,如NSGA-II,NSGA-III,SPEA 2,和MOEA/D在一个现实的问题,考虑从水力发电能源系统的数据与两个级联的水力发电厂在巴西的著名的进化方法。结果表明,MESH在效率和准确性方面表现出优于其他多目标方法的性能,在进行的预测分析中每月提供412,500美元的利润。
2021-07-28 cs.AI cs.NE cs.SY
Optimal Distribution of Solutions for Crowding Distance on Linear Pareto Fronts of Two-Objective Optimization Problems
针对NSGA-II缺乏明确优化准则的问题,本文在双目标线性Pareto前沿上分析最大化最小拥挤距离的最优解分布,理论证明均匀分布并非最优,但改进NSGA-II可生成近似均匀的解集。
2025-04-24 cs.NE