Key points are not available for this paper at this time.
Ein gemeinsames Ziel in der evolutionären Multi-Objektiv-Optimierung besteht darin, geeignete endliche Näherungen der Pareto-Front eines gegebenen Multi-Objektiv-Optimierungsproblems zu finden. Während viele Multi-Objektiv-evolutionäre Algorithmen sich als sehr effizient bei der Auffindung guter Pareto-Front-Näherungen erwiesen haben, benötigen sie möglicherweise ziemlich viele Ressourcen oder scheitern sogar daran, optimale oder nahezu optimale Näherungen zu erhalten. Optimalität wird dabei implizit durch den gewählten Leistungsindikator definiert. In dieser Arbeit schlagen wir ein mengenbasiertes Newton-Verfahren für Hausdorff-Näherungen der Pareto-Front vor, das innerhalb von Multi-Objektiv-evolutionären Algorithmen verwendet werden soll. Zu diesem Zweck verallgemeinern wir zunächst den zuvor vorgeschlagenen Newton-Schritt für den Leistungsindikator zur Behandlung von eingeschränkten Problemen für allgemeine Referenzmengen. Um die Ziel-Pareto-Front zu approximieren, schlagen wir eine spezielle Strategie zur Generierung der Referenzmenge vor, die die während des Laufs des evolutionären Algorithmus gesammelten Daten nutzt. Schließlich zeigen wir den Nutzen des Newton-Verfahrens als Nachbearbeitungsschritt an mehreren Benchmark-Testfunktionen und unterschiedlichen Basis-evolutionären Algorithmen.
Wang et al. (Thu,) untersuchten diese Frage.