Key points are not available for this paper at this time.
L'optimisation multiobjectif contrainte a suscité beaucoup d'intérêt au cours des dernières années. Cependant, les problèmes d'optimisation multiobjectif contrainte (CMOP) sont encore mal compris. Par conséquent, le choix de CMOP adéquats pour les benchmarks est difficile et manque de fondations formelles. Cet article fait un pas vers la résolution de cette question en explorant les CMOP d'une perspective d'espace de performance. Tout d'abord, il présente une approche d'évaluation de la performance novatrice conçue explicitement pour l'optimisation multiobjectif contrainte. Cette méthodologie offre une première tentative de mesurer simultanément la performance dans l'approximation du front de Pareto et la satisfaction des contraintes. Deuxièmement, elle propose une approche pour mesurer la capacité du problème d'optimisation donné à différencier les performances des algorithmes. Enfin, cette approche est utilisée pour comparer huit suites de tests artificiels de CMOP fréquemment utilisées. Les résultats expérimentaux révèlent quelles suites sont plus efficaces pour discernir entre quatre algorithmes d'optimisation multiobjectif bien connus.
Vodopija et al. (Fri,) ont étudié cette question.