Key points are not available for this paper at this time.
L'optimisation multiobjectif contrainte abonde dans les applications pratiques et attire de plus en plus l'attention de la communauté de l'informatique évolutionnaire. Les problèmes tests artificiels sont essentiels pour le progrès dans ce domaine de recherche. Néanmoins, beaucoup d'entre eux manquent de caractéristiques importantes, telles que la scalabilité et les dépendances entre variables, qui peuvent être essentielles pour le benchmarking des algorithmes évolutionnaires modernes. Cet article propose d'abord un nouveau cadre pour la construction de problèmes tests contraints. Ce cadre découpe un vecteur de décision en variables de position et de distance et force leurs valeurs optimales à se situer sur une hypersurface non linéaire de sorte que les interdépendances puissent être introduites entre les variables de position et entre les variables de distance individuellement. Dans ce cadre, deux types de contraintes sont conçus pour introduire la difficulté de convergence et la difficulté de diversité, respectivement. Le premier type introduit des barrières infaisables dans l'approche des optima, et en même temps, rend les variables de position et de distance interdépendantes. Le second type restreint les régions optimales faisables de manière à obtenir différentes formes de fronts de Pareto. Sur la base de ce cadre, nous construisons 16 problèmes tests scalables et contraints couvrant une variété de difficultés. Ensuite, dans la seconde partie de cet article, nous évaluons la performance de certains des algorithmes à la pointe sur les problèmes tests proposés, montrant qu'ils sont assez difficiles et qu'il y a place pour une amélioration supplémentaire des algorithmes existants. Enfin, nous discutons en détail des sources des difficultés présentées dans ces nouveaux problèmes.
Zhou et al. (Mon,) ont étudié cette question.