진화 다목적 최적화에서 수렴성과 다양성 결합

지난 몇 년 동안 진화 알고리즘에 대한 연구는 단일 시뮬레이션 실행에서 여러 개의 파레토 최적 해를 찾는 것을 목표로 하는 다목적 최적화 문제를 해결하는 데 이들의 틈새 시장을 입증했습니다. 많은 연구들이 진화 알고리즘이 솔루션의 널리 퍼진 분포로 파레토 최적 집합으로 진행할 수 있는 다양한 방법을 묘사했습니다. 그러나 어떠한 다목적 진화 알고리즘(MOEAs)도 솔루션 간의 넓은 다양성과 함께 진정한 파레토 최적 해에 수렴한다는 증명을 갖고 있지 않습니다. 본 논문에서는 왜 이전의 여러 MOEAs가 이러한 특성을 가지고 있지 않은지 논의합니다. 엡실론 지배 개념에 기반하여, 이 근본적인 문제를 극복하고 바람직한 수렴 및 분포 특성을 모두 갖춘 MOEAs로 이어지는 새로운 아카이빙 전략을 제안합니다. 또한 기준 알고리즘에 대한 여러 수정 사항도 제안됩니다. 본 논문에서 소개된 엡실론 지배 개념은 실용적이며 제안된 알고리즘이 연구자와 실무자 모두에게 유용할 수 있도록 해야합니다.