Fuzzy-basierte Pareto-Optimalität für vielezieloptimierende evolutionäre Algorithmen

Evolutionäre Algorithmen wurden effektiv eingesetzt, um Multi-Objektiv-Optimierungsprobleme mit einer kleinen Anzahl von Zielen, im Allgemeinen zwei oder drei, zu lösen. Wenn jedoch Probleme mit vielen Zielen auftreten, schneiden fast alle Algorithmen aufgrund des Verlusts des Selektionsdrucks in der Fitnessbewertung, die allein auf dem Pareto-Optimalitätsprinzip basiert, schlecht ab. In diesem Papier stellen wir einen neuen Mechanismus zur Fitnessbewertung vor, der Individuen kontinuierlich in verschiedene Grade der Optimalität differenziert, über die Klassifikation der ursprünglichen Pareto-Dominanz hinaus. Das Konzept der Fuzzy-Logik wird übernommen, um eine fuzzy Pareto-Dominanzrelation zu definieren. Als Fallstudie wird das fuzzy Konzept in die Designs von NSGA-II und SPEA2 integriert. Experimentelle Ergebnisse zeigen, dass die vorgeschlagenen Methoden eine bessere Leistung sowohl in Bezug auf Konvergenz als auch auf Diversität im Vergleich zu den ursprünglichen Methoden zur Lösung von Multi-Ziel-Optimierungsproblemen aufweisen.