Key points are not available for this paper at this time.
Les algorithmes évolutionnaires multiobjectifs traditionnels font face à un grand défi lorsqu'il s'agit de nombreux objectifs. Cela est dû à une proportion élevée de solutions non dominées dans la population et à une faible pression de sélection envers le front de Pareto. Afin de s'attaquer à ce problème, une série d'algorithmes basés sur des indicateurs ont été proposés pour guider le processus de recherche vers le front de Pareto. Cependant, un seul indicateur peut être biaisé et conduire la population à converger vers une sous-région du front de Pareto. Dans cet article, un algorithme basé sur plusieurs indicateurs est proposé pour les problèmes d'optimisation à plusieurs objectifs. L'algorithme proposé, à savoir l'algorithme de classement stochastique basé sur plusieurs indicateurs (SRA), adopte la technique de classement stochastique pour équilibrer les biais de recherche des différents indicateurs. Des études empiriques sur un grand nombre (39 au total) d'instances de problèmes issues de deux ensembles de référence bien définis avec 5, 10 et 15 objectifs montrent que le SRA fonctionne bien en termes de distance générationnelle inversée et de métriques d'hypervolume par rapport aux algorithmes de pointe. Les études empiriques révèlent également que, dans le cas où un problème nécessite que l'algorithme ait une forte capacité de convergence, les performances du SRA peuvent être encore améliorées en intégrant une archive basée sur la direction pour stocker les solutions bien convergées et maintenir la diversité.
Li et al. (Thu,) ont étudié cette question.