通过幅度的分集增强
Diversity Enhancement via Magnitude
摘要：
促进和保持候选解的多样性是一般进化算法和多目标进化算法的一个关键要求。在本文中，我们使用最近发展的理论的幅度构造梯度流和类似的概念，系统地操纵有限的欧几里得空间的子集，以提高其多样性，并应用的想法服务于多目标进化算法。我们展示了多样性增强基准问题，使用领先的算法，并讨论扩展的框架。
英文摘要：
Promoting and maintaining diversity of candidate solutions is a key requirement of evolutionary algorithms in general and multi-objective evolutionary algorithms in particular. In this paper, we use the recently developed theory of magnitude to construct a gradient flow and similar notions that systematically manipulate finite subsets of Euclidean space to enhance their diversity, and apply the ideas in service of multi-objective evolutionary algorithms. We demonstrate diversity enhancement on benchmark problems using leading algorithms, and discuss extensions of the framework.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
