制約付き多目的最適化問題のための競争的かつ協調的な群知能最適化手法

メタヒューリスティック手法を通じて多目的最適化問題（MOPs）を解決することに considerable な関心が寄せられています。古典的な変動オペレータに基づいて、いくつかの強化されたオペレータや多目的最適化進化アルゴリズムが開発されてきました。これらのオペレータの中で、競争的群最適化手法（CSO）は期待される性能を示します。しかし、広い目的空間や複雑な非実行可能領域を持つ制約付きMOPs（CMOPs）を扱う際に困難に直面します。本稿では、2つの粒子更新戦略を含む競争的かつ協調的な群最適化手法を提案します。1) CSOはパレート前線の近似を加速するためにより速い収束速度を提供し、2) 協調的群最適化手法は、局所的な実行可能領域や局所最適解から脱出する能力を強化するための相互学習戦略を提案します。また、CMOPsのための新しいアルゴリズムも提示します。47のインスタンスを持つ4つのベンチマークスイートにおける結果は、最先端の他の手法と比較して我々のアプローチの優位性を示します。さらに、大規模なCMOPsに対するその有効性も確認されています。