Key points are not available for this paper at this time.
Eingeschränkte многозначные Optimierung hat in den letzten Jahren viel Interesse gewonnen. Allerdings sind eingeschränkte многозначные Optimierungsprobleme (CMOPs) noch unzureichend verstanden. Folglich ist die Wahl geeigneter CMOPs für Benchmarking schwierig und es fehlt an einer formalen Grundlage. Dieses Papier unternimmt einen Schritt zur Behebung dieses Problems, indem es CMOPs aus einer Perspektive des Leistungsraums untersucht. Zunächst wird ein neuartiger Leistungsbewertungsansatz vorgestellt, der ausdrücklich für eingeschränkte многозначные Optimierung entwickelt wurde. Diese Methodik bietet einen ersten Versuch, die Leistung bei der Annäherung an die Pareto-Front und die Einhaltung von Einschränkungen gleichzeitig zu messen. Zweitens wird ein Ansatz vorgeschlagen, um die Fähigkeit des gegebenen Optimierungsproblems zu messen, zwischen den Algorithmenleistungen zu differenzieren. Schließlich wird dieser Ansatz verwendet, um acht häufig verwendete künstliche Test-Suites von CMOPs zu vergleichen. Die experimentellen Ergebnisse zeigen, welche Suiten effizienter darin sind, zwischen vier bekannten алгоритмами für многозначное Optimierung zu unterscheiden.
Vodopija et al. (Fri,) untersuchten diese Frage.