Viele-Ziele Evolutionärer Algorithmus: Reduzierung des Zielraums und Verbesserung der Vielfalt

Evolutionäre Algorithmen wurden erfolgreich zur Erforschung sowohl konvergierter als auch diversifizierter angenäherter Pareto-optimaler Fronten in Mehrziel-Optimierungsproblemen eingesetzt, im Allgemeinen mit zwei oder drei Zielen. Allerdings schneiden nahezu alle Algorithmen bei der Lösung von Problemen mit vielen Zielen schlecht ab, da der Selektionsdruck bei der Fitnessbewertung verloren geht. Ein extrem großer Zielraum könnte unbeabsichtigt die Wirkung eines evolutionären Operators verschlechtern. In diesem Papier schlagen wir einen neuen Ansatz vor, um die Herausforderungen bei der Lösung von Mehrziel-Optimierungsproblemen (MaOPs) direkt zu bewältigen. Dieses neuartige Design umfasst zwei Phasen: Zuerst nähert sich die gesamte Population schnell einer kleinen Anzahl von „Ziel“-Punkten in der Nähe der echten Pareto-Front; dann wird die vorgeschlagene Strategie zur Verbesserung der Diversität angewendet, um diesen Individuen zu helfen, sich auszubreiten und gut zu verteilen. Als Fallstudie wird der vorgeschlagene Algorithmus auf Basis dieses Designs mit fünf hochmodernen Algorithmen verglichen. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode eine verbesserte Leistung sowohl bei der Konvergenz als auch bei der Vielfalt bei der Lösung von MaOPs zeigt.