칼만 필터 예측을 통한 진화적 동적 다목적 최적화

진화 알고리즘은 정적 다목적 최적화 문제를 해결하는 데 효과적이며, 이로 인해 여러 최첨단 다목적 진화 알고리즘(MOEA)이 등장했습니다. 그럼에도 불구하고, 이를 동적 다목적 최적화 문제를 해결하는 데 적용하려는 관심은 미지근했습니다. 이 분야의 연구를 발전시키기 위해서는 벤치마크 문제, 적절한 성능 메트릭, 효율적인 알고리즘이 필요합니다. 동적 최적화 문제에서는 하나 이상의 목표가 시간에 따라 변할 수 있습니다. 최적화 알고리즘은 이동하는 최적값을 효율적으로 추적할 수 있어야 합니다. 예측 모델은 과거 경험으로부터 패턴을 학습하고 미래 변화를 예측할 수 있습니다. 본 논문에서는 이러한 문제를 해결하기 위해 결정 공간에서 칼만 필터(KF) 예측을 사용하는 새로운 동적 MOEA를 제안합니다. 예측은 변경된 최적값을 향해 탐색을 안내하는 데 도움을 주어 수렴 속도를 가속화합니다. KF 예측과 무작위 재초기화 방법을 혼합하기 위해 점수 체계가 고안되었습니다. 실험 결과와 다른 최첨단 알고리즘과의 성능 비교를 통해 제안된 알고리즘이 동적 최적화 성능을 상당히 향상시킬 수 있음을 입증합니다.