Gewichtungsvektor-Definition für MOEA/D-basierte Algorithmen unter Verwendung von erweiterten Abdeckungsanordnungen für viele Zieloptimierung

Probleme der vielen Ziele sind heute immer häufiger anzutreffen. Der decompositionsbasierte Ansatz hebt sich unter den evolutionären Algorithmen, die für ihre Lösung verwendet werden, hervor, wobei MOEA/D und seine Variationen eine bedeutende Rolle spielen. MOEA/D-Variationen zielen darauf ab, die Gewichtungsvektor-Definition zu verbessern, die dynamische Anpassung der Gewichtungsvektoren während des Evolutionsprozesses zu optimieren, die evolutionären Operatoren zu verbessern, alternative Zerlegungsmethoden zu verwenden und mit anderen Metaheuristiken zu hybridisieren, unter anderem. Obwohl ein essentielles Thema für den Erfolg von MOEA/D davon abhängt, wie gut die Gewichtungsvektoren bei der Zerlegung des Problems definiert sind, wurde in diesem Bereich nicht so viel Forschung betrieben wie in anderen. Dieses Papier schlägt die Verwendung eines neuen mathematischen Objekts namens erweiterte Abdeckungsanordnungen (ACAs) vor, die es ermöglichen, die Wechselwirkungen von M Zielen unter Verwendung der geringsten Anzahl von Gewichtungsvektoren basierend auf einem Interaktionsniveau (Stärke), das a priori vom Benutzer definiert wird, besser zu erfassen. Die vorgeschlagene Methode erzielt bessere Ergebnisse, gemessen an der inversen generationsbezogenen Distanz, mit kleinen bis mittleren Populationen (bis zu 850 Lösungen) von 30 bis 100 Zielen bei DTLZ- und WFG-Problemen im Vergleich zur traditionellen Gewichtungsvektor-Definition, die von MOEA/D-DE verwendet wird, und den Ergebnissen, die von NSGA-III erzielt wurden. Andere MOEA/D-Variationen können den vorgeschlagenen Ansatz einschließen und somit ihre Ergebnisse verbessern.