A hybrid COA$ε$-constraint method for solving multi-objective problems
本文提出了一种求解多目标优化问题的混合方法。该方法将ε-约束和Cuckoo算法相结合。首先利用$ε$ -约束将多目标优化问题转化为单目标优化问题,然后利用布谷鸟优化算法对每个任务进行优化。最后绘制出最优的帕累托边界。该方法的优点是精度高,Pareto前沿离散。为了检验该方法的有效性,用该方法解决了大量的试验问题。将该方法的结果与其他类似方法的结果进行比较,表明Cuckoo算法更适合于求解多目标优化问题。
2015-09-25 cs.NE
A Probabilistic Linear Genetic Programming with Stochastic Context-Free Grammar for solving Symbolic Regression problems
传统的线性遗传编程(LGP)算法仅基于选择机制来指导搜索。遗传操作员将个体的随机部分组合或突变,而不知道结果是否会导致更适合的个体。概率模型构建遗传编程(PMB-GP)方法被提出来通过概率模型来克服这个问题,该概率模型捕获适合个体的结构并使用它来采样新个体。这项工作提出了使用LGP与随机上下文无关文法(SCFG),有一个概率分布,根据选定的个人更新。我们提出了一种方法,使文法适应LGP的线性表示。与建议的概率方法进行测试,并与两个混合的方法,在几个符号回归基准问题表明,结果是统计上优于传统的LGP。
2017-04-03 cs.NE math.PR stat.ML
Multi-Objective Parameter-less Population Pyramid for Solving Industrial Process Planning Problems
演化方法是解决困难实际问题时获得高质量结果的有效工具。联系学习可以提高其有效性。其中一个最先进的方法,采用链接学习是无参数人口金字塔(P3)。P3致力于解决离散域中的单目标问题。最近的研究表明,P3在解决所谓的重叠块问题时具有很强的竞争力,这在实际问题中是典型的。在本文中,我们考虑了一个多目标的工业过程规划问题,从实践中产生的,是NP-难的。为了处理它,我们提出了一个多目标版本的P3。广泛的研究表明,我们的建议优于竞争的方法所考虑的实际问题和典型的多目标基准。
2020-09-10 cs.NE
A hybrid COA-DEA method for solving multi-objective problems
布谷鸟优化算法(COA)是为解决单目标问题而开发的,不能用于解决多目标问题。因此,本文提出了基于数据包络分析(DEA)的多目标布谷鸟优化算法,该算法可以有效地获得Pareto前沿。该算法结合DEA的CCR模型及其面向输出的方法提出,其选择准则是下一次迭代的效率更高。因此,用DEA获得的效率值代替了COA的利润函数。通过测试问题将该算法与其他算法进行了比较。结果表明,使用COA和DEA方法解决多目标问题,提高了生成解的速度和精度。
2015-09-02 cs.NE math.OC
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
JCLEC-MO: a Java suite for solving many-objective optimization engineering problems
University of Córdoba(科尔多瓦大学)
本文提出 Java 框架 JCLEC-MO,支持工程师以少量编码应用和调整多目标及超多目标算法,并通过案例研究展示其结合 R 工具解决工程优化问题的能力。
2024-02-28 cs.AI cs.NE
Push and Pull Search for Solving Constrained Multi-objective Optimization Problems
提出了一种求解约束多目标优化问题的推拉搜索框架。更具体地说,所提出的PPS将搜索过程分为两个不同的阶段,包括推和拉搜索阶段。在推进阶段,采用多目标进化算法(MOEA)探索搜索空间,不考虑任何约束条件,快速穿越不可行区域,逼近无约束Pareto前沿。此外,CMOPs的约束条件下,可以探测和估计在推阶段,它可以用来进行参数设置的约束处理方法应用在拉阶段的景观。然后,约束多目标进化算法(CMOEA)配备了一个改进的约束处理,适用于拉在推阶段获得的不可行的个人的可行和非支配区域。与其他CMOEA相比,PPS方法通过在不同阶段采用推拉搜索策略,能够更有效地穿越不可行区域,并收敛到可行区域和非支配区域.为了评估算法的收敛性和多样性,采用一组基准CMOPs对PPS算法进行了测试,并与MOEA/D-CDP、MOEA/D-SR、C-MOEA/D、MOEA/D-Epperiment和MOEA/D-IEpperiment等5种CMOEA算法进行了比较。综合实验结果表明,所提出的PPS实现显着更好的或有竞争力的性能比其他五个CMOEA在大多数的基准集。
2017-09-15 cs.AI cs.NE
Solving Dynamic Multi-objective Optimization Problems Using Incremental Support Vector Machine
动态多目标优化问题的主要特点是优化目标函数会随时间或环境而变化。解决DMOP问题的一种有前途的方法是通过机器学习方法重用获得的Pareto最优集(POS)来训练预测模型。本文利用过去的POS对增量式支持向量机(ISVM)分类器进行训练,然后通过训练好的ISVM分类器对下一时刻要求解的DMOP的解进行筛选。ISVM分类器将产生高质量的初始种群,并且各种不同类型的基于种群的动态多目标优化算法可以受益于该种群。为了验证这一想法,我们将所提出的方法融入到三种进化算法中,即多目标粒子群优化算法(MOPSO)、非支配排序遗传算法II(NSGA-II)和基于规则性模型的多目标分布估计算法(RE-MEDA)。我们通过实验对这些算法进行了测试,实验结果表明了算法的有效性。
2019-10-19 cs.NE
Efficient Computation of Probabilistic Dominance in Robust Multi-Objective Optimization
Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)(弗里德里希-亚历山大大学埃尔兰根-纽伦堡分校(FAU))
现实世界的问题通常需要同时优化几个经常相互冲突的目标。这些多目标优化问题中的许多问题的特征在于其决策变量或目标函数中的大范围的不确定性,这进一步增加了优化的复杂性。为了应对这些不确定性,鲁棒优化被广泛研究,旨在区分候选解与由置信区间,概率分布或采样数据指定的不确定目标。然而,现有的技术大多没有考虑实际的分布或假设不确定性的均匀或高斯分布的实例。本文介绍了一种经验的方法,使一个有效的比较候选解决方案与不确定的目标,可以遵循任意分布。给定两个候选解进行比较,该算子计算一个解在每个不确定目标方面优于另一个解的概率。它可以替代现有优化技术(如进化算法)的标准比较算子,以发现具有多个不确定目标的问题的鲁棒解决方案。本文还提出了将各种不确定性,在著名的多目标问题,提供一个基准评估不确定性感知优化技术。所提出的比较算子和基准套件集成到现有的优化工具中,该工具具有多目标优化问题和算法的选择。实验结果表明,与现有技术相比,该方法在较低的开销下获得了较高的优化质量。
2019-10-18 cs.LG cs.NE stat.ML
Rigorous Runtime Analysis of MOEA/D for Solving Multi-Objective Minimum Weight Base Problems
The University of Adelaide(阿德莱德大学);University of Minnesota Duluth(明尼苏达大学德卢斯分校)
本文针对多目标最小权基问题证明非支配前沿凸包性质,并首次严格分析MOEA/D的运行时间,表明其可在固定参数多项式期望时间内找到所有极点,实验验证其优于GSEMO。
2023-06-06 cs.AI cs.DS cs.NE
A weighted-sum method for solving the bi-objective traveling thief problem
许多现实世界的优化问题有多个相互作用的组件。它们中的每一个都可以是NP难的,并且它们可以彼此冲突,即,一个组件的最优解不一定代表其它组件的最优解。这对于单目标配方来说可能是一个挑战,其中每个组件对整体解决方案质量的各自影响可能因实例而异。在本文中,我们研究了一个双目标形式的小偷问题,其中的组件的旅行销售员问题和背包问题。我们提出了一个加权和的方法,利用现有的随机版本,优于参与者6最近的比赛的9个实例,并找到了新的最佳解决方案379单目标问题的实例。
2021-09-10 cs.NE
Solving integer multi-objective optimization problems using TOPSIS, Differential Evolution and Tabu Search
本文提出了一种求解非线性整数多目标优化问题的方法。首先,该问题是制定使用的技术顺序偏好的相似理想解(TOPSIS)。其次,采用差分进化算法的三个版本(标准差分进化算法、最佳差分进化算法和差分进化算法)作为优化器。由于DE算法得到的解是连续的,因此在优化过程中采用禁忌搜索(TS)算法来寻找整数解。实验结果表明了该方法的有效性。
2022-04-05 cs.NE
Approximate Probabilistic Neural Networks with Gated Threshold Logic
Nazarbayev University(纳扎尔巴耶夫大学)
概率神经网络(ProbabilityNeuralNetwork,PNN)是为解决分类问题而发展起来的一种前馈人工神经网络。提出了一种近似概率神经网络(APNN)算法的硬件实现方法,用门控阈值逻辑代替传统的指数函数。PNN的权重使用忆阻交叉结构来近似。特别地,所提出的算法执行训练权重的归一化,并且量化成16个级别,这显著地降低了电路的复杂度。
2018-08-02 cs.AI cs.ET cs.NE
Unraveling the Versatility and Impact of Multi-Objective Optimization: Algorithms, Applications, and Trends for Solving Complex Real-World Problems
本文综述多目标优化(MOO)的近期算法、应用、趋势与问题,介绍其核心概念与现实决策价值,指出无通用最优策略,需结合问题、资源与目标选择方法,推动MOO研究发展。
2024-06-29 cs.NE
Multi-objective Differential Evolution with Helper Functions for Constrained Optimization
多目标进化算法在求解约束优化问题方面取得了巨大的成就。标准的多目标格式通常以同时最小化目标函数和约束违反程度为目标。提出了一种求解约束优化问题的多目标算法。新方法保持了两个标准目标:原始目标函数和约束违反度之和。但除此之外,还增加了四个目标。一种是基于可行规则。另外三个来自惩罚函数。本文对13个基准函数进行了初步的实验研究。一个简化版本的CMODE被应用于解决多目标优化问题。我们最初的实验结果证实了我们的期望,即添加更多的辅助函数可能是有用的。SMODE的性能与更多的帮助函数(四个或六个)比只有两个帮助函数。
2015-10-01 cs.NE
Solving dynamic multi-objective optimization problems via support vector machine
Xiamen University(厦门大学);City University of Hong Kong(香港城市大学)
动态多目标优化问题是指目标函数随时间变化的优化问题。求解DMOP意味着可以准确地找到不同时刻的Pareto最优集(POS),由于优化问题的动态性,这是一项非常困难的工作。过去获得的POS可以帮助我们更快更准确地找到下一次的POS。因此,本文提出了一种基于支持向量机的动态多目标进化优化算法SVM-DMOEA。该算法利用已获得的POS对SVM进行训练,然后利用训练好的SVM对下一时刻的动态优化问题的解进行分类,从而生成由训练好的SVM识别的不同个体组成的初始种群。初始种群可以被馈送到任何基于种群的优化算法中,例如,非支配排序遗传算法II(NSGA-II),得到此时的POS。实验结果表明了该方法的有效性。
2019-10-19 cs.AI cs.LG 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
On Single-Objective Sub-Graph-Based Mutation for Solving the Bi-Objective Minimum Spanning Tree Problem
本文针对双目标最小生成树问题,提出基于子图的偏置变异算子,通过将子树替换为Kruskal算法求得的局部最优子树,证明其Pareto有益性并在多类完全图上验证其优于基线算法。
2023-05-31 cs.NE
Benchmarking MOEAs for solving continuous multi-objective RL problems
该研究探究多目标进化算法(MOEAs)在复杂多目标强化学习(MORL)问题中的适用性与局限,提出表征MORL实例复杂度的框架,选取代表性问题开展基准测试并评估质量指标效用,为MORL研究与进化算法设计提供参考。
2025-05-19 cs.NE
A Novel Genetic Algorithm using Helper Objectives for the 0-1 Knapsack Problem
0-1背包问题是一个著名的组合优化问题。近似算法已被设计用于解决它,他们返回证明良好的解决方案在多项式时间。另一方面,遗传算法非常适合于解决背包问题,他们找到合理的好的解决方案迅速。一个自然出现的问题是遗传算法是否能够找到解决方案一样好的近似算法做。提出了一种求解0-1背包问题的多目标优化遗传算法。实验结果表明,该算法优于贪心算法、混合策略遗传算法和贪心算法+混合策略遗传算法。
2014-04-03 cs.NE
An Efficient Reconstructed Differential Evolution Variant by Some of the Current State-of-the-art Strategies for Solving Single Objective Bound Constrained Problems
Faculty of Engineering University of Toyama Toyama, Japan;School of Mechanical Engineering Tongji University Shanghai, China
本文针对单目标边界约束问题,提出一种组合当前最先进策略的重构差分进化算法(RDE),基于CEC2024基准测试验证了其优越性能。
2024-04-25 cs.AI cs.LG cs.NE
Learning Adaptive Evolutionary Computation for Solving Multi-Objective Optimization Problems
Eindhoven University of Technology(埃因霍温理工大学);Nobleo Manufacturing(Nobleo制造公司)
多目标进化算法被广泛应用于求解多目标优化问题。这些算法依赖于设置适当的参数来找到好的解决方案。然而,在解决非试验(组合)优化问题时,这种参数调整可能在计算上非常昂贵。本文提出了一个框架,集成MOEA与自适应参数控制使用深度强化学习(DRL)。DRL策略被训练为自适应地设置值,这些值指示优化期间的解的突变强度和概率。我们测试所提出的方法与一个简单的基准问题和现实世界中,复杂的仓库设计和控制问题。实验结果表明,我们的方法在解决方案的质量和计算时间方面的优势,以达到良好的解决方案。此外,我们还证明了学习策略是可转移的,即,在简单的基准问题上训练的策略可以直接应用于有效地解决复杂的仓库优化问题,而不需要再训练。
2022-11-01 cs.LG cs.NE
A Batched Scalable Multi-Objective Bayesian Optimization Algorithm
代理辅助优化算法是求解复杂多目标优化问题的一种有效方法。然而,大多数现有的代理辅助多目标优化算法有三个主要缺点:1)不能很好地解决高维决策空间的问题,2)不能结合可用的梯度信息,3)不支持批量优化。这些缺点阻止了它们用于解决许多现实世界的大规模优化问题。本文提出了一种批量可扩展的多目标贝叶斯优化算法来解决这些问题。该算法使用贝叶斯神经网络作为可扩展的代理模型。在Monte Carlo dropout和Sobolov训练的支持下,该模型可以很容易地训练,并可以包含可用的梯度信息。我们还提出了一种新的批量超体积置信上限获取函数来支持批量优化。各种基准问题和实际应用的实验结果表明,该算法的效率。
2018-11-04 cs.NE
Can the Problem-Solving Benefits of Quality Diversity Be Obtained Without Explicit Diversity Maintenance?
本文论证质量多样性优化应与多目标而非单目标优化比较,并提出基于降维自动确定行为描述符和目标集的方法,以实现两类算法的公平对比。
2023-05-12 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
Adaptive Surrogate-Based Strategy for Accelerating Convergence Speed when Solving Expensive Unconstrained Multi-Objective Optimisation Problems
School of Computing, Engineering and Technology, Robert Gordon University(罗伯特戈登大学计算机、工程与技术学院)
本文提出一种自适应代理方法,利用机器学习模型加速求解昂贵多目标优化问题的早期收敛速度。
2026-01-29 cs.NE
Evolutionary Algorithms for Solving Unconstrained, Constrained and Multi-objective Noisy Combinatorial Optimisation Problems
本研究实证评估了多种进化算法在噪声组合优化问题中的表现,发现 UMDA 及其变体在无约束、约束及多目标场景下均优于其他算法,展现出高度的鲁棒性和有效性。
2021-10-05 cs.NE
Probabilistic Lexicase Selection
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Swoop(Swoop公司);Amherst College(阿默斯特学院)
提出概率lexicase选择算法,通过高效近似lexicase选择的概率分布,在保持竞争性问题解决性能的同时显著提升计算效率。
2023-05-19 cs.LG cs.NE