Nsga-ii/sdr-ols: un novedoso método de optimización de muchos objetivos a gran escala que utiliza aprendizaje basado en oposición y búsqueda local
Autores: Zhang, Yingxin; Wang, Gaige; Wang, Hongmei
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Nsga-ii/sdr-ols: un novedoso método de optimización de muchos objetivos a gran escala que utiliza aprendizaje basado en oposición y búsqueda local
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Problemas de optimización multiobjetivo
MaOEAs
NSGA-II/SDR-OLS
Aprendizaje basado en oposición
Búsqueda local
Problemas de referencia
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
Recientemente, los problemas de optimización multiobjetivo (MaOPs) se han convertido en un tema candente de interés en la academia y la industria, y se han propuesto muchos más algoritmos evolutivos multiobjetivo (MaOEAs) de muchos objetivos. NSGA-II/SDR (NSGA-II con una relación de dominancia fortalecida) es una mejora de NSGA-II, creada reemplazando la tradicional relación de dominancia de Pareto con una nueva relación de dominancia, llamada SDR, que es mejor que el algoritmo original en la resolución de MaOPs a pequeña escala con pocas variables de decisión, pero tiene un mal rendimiento en MaOPs a gran escala. Para abordar estos problemas, agregamos las siguientes mejoras a NSGA-II/SDR para obtener NSGA-II/SDR-OLS, que le permite lograr un mejor equilibrio entre la convergencia y la diversidad de la población al resolver MaOPs a gran escala: (1) Se introduce la estrategia de aprendizaje basada en la oposición (OBL) en la etapa de inicialización de la población inicial, y la población inicial final se forma mediante la población inicial y la población basada en la oposición, lo que optimiza la calidad y convergencia de la población; (2) se introduce la estrategia de búsqueda local (LS) para ampliar la diversidad de las poblaciones al encontrar soluciones vecinas, con el fin de evitar que las soluciones caigan en óptimos locales demasiado pronto. NSGA-II/SDR-OLS se compara con el algoritmo original en nueve problemas de referencia para verificar la efectividad de su mejora. Luego, comparamos nuestro algoritmo con seis algoritmos existentes, que son algoritmos evolutivos multiobjetivo basados en regiones prometedoras (PREA), una estrategia de evolución de matriz de covarianza basada en subpoblaciones pequeñas escalable (S3-CMA-ES), un algoritmo evolutivo multiobjetivo basado en descomposición guiado por growing neural gas (DEA-GNG), un algoritmo evolutivo guiado por vectores de referencia (RVEA), NSGA-II con estrategia de partición basada en conflictos (NSGA-II-conflict) y un algoritmo genético que utiliza clasificación no dominada basada en puntos de referencia (NSGA-III). El algoritmo propuesto ha logrado los mejores resultados en la gran mayoría de los casos de prueba, lo que indica que nuestro algoritmo tiene una fuerte competitividad.
Descripción
Recientemente, los problemas de optimización multiobjetivo (MaOPs) se han convertido en un tema candente de interés en la academia y la industria, y se han propuesto muchos más algoritmos evolutivos multiobjetivo (MaOEAs) de muchos objetivos. NSGA-II/SDR (NSGA-II con una relación de dominancia fortalecida) es una mejora de NSGA-II, creada reemplazando la tradicional relación de dominancia de Pareto con una nueva relación de dominancia, llamada SDR, que es mejor que el algoritmo original en la resolución de MaOPs a pequeña escala con pocas variables de decisión, pero tiene un mal rendimiento en MaOPs a gran escala. Para abordar estos problemas, agregamos las siguientes mejoras a NSGA-II/SDR para obtener NSGA-II/SDR-OLS, que le permite lograr un mejor equilibrio entre la convergencia y la diversidad de la población al resolver MaOPs a gran escala: (1) Se introduce la estrategia de aprendizaje basada en la oposición (OBL) en la etapa de inicialización de la población inicial, y la población inicial final se forma mediante la población inicial y la población basada en la oposición, lo que optimiza la calidad y convergencia de la población; (2) se introduce la estrategia de búsqueda local (LS) para ampliar la diversidad de las poblaciones al encontrar soluciones vecinas, con el fin de evitar que las soluciones caigan en óptimos locales demasiado pronto. NSGA-II/SDR-OLS se compara con el algoritmo original en nueve problemas de referencia para verificar la efectividad de su mejora. Luego, comparamos nuestro algoritmo con seis algoritmos existentes, que son algoritmos evolutivos multiobjetivo basados en regiones prometedoras (PREA), una estrategia de evolución de matriz de covarianza basada en subpoblaciones pequeñas escalable (S3-CMA-ES), un algoritmo evolutivo multiobjetivo basado en descomposición guiado por growing neural gas (DEA-GNG), un algoritmo evolutivo guiado por vectores de referencia (RVEA), NSGA-II con estrategia de partición basada en conflictos (NSGA-II-conflict) y un algoritmo genético que utiliza clasificación no dominada basada en puntos de referencia (NSGA-III). El algoritmo propuesto ha logrado los mejores resultados en la gran mayoría de los casos de prueba, lo que indica que nuestro algoritmo tiene una fuerte competitividad.