Key points are not available for this paper at this time.
La plupart des algorithmes évolutifs multiobjectifs existants rencontrent des difficultés à résoudre des problèmes d'optimisation à de nombreux objectifs en raison de leur incapacité à équilibrer la convergence et la diversité dans l'espace objectif de haute dimension. Dans cet article, nous proposons un nouvel algorithme évolutif à plusieurs objectifs utilisant une stratégie de sélection un par un. L'idée principale est qu'au cours de la sélection environnementale, les individus descendants sont sélectionnés un par un sur la base d'un indicateur de convergence efficace sur le plan computationnel afin d'augmenter la pression de sélection vers le front optimal de Pareto. Dans la sélection un par un, une fois qu'un individu est sélectionné, ses voisins sont dévalorisés en utilisant une technique de niche pour garantir la diversité de la population, dans laquelle la similarité entre individus est évaluée au moyen d'un indicateur de distribution. De plus, différentes méthodes de calcul de l'indicateur de convergence sont examinées et une mesure de similarité basée sur l'angle est adoptée pour des évaluations efficaces de la distribution des solutions dans l'espace objectif de haute dimension. De plus, les solutions aux coins sont utilisées pour améliorer la répartition des solutions et pour traiter des problèmes d'optimisation à échelle. L'algorithme proposé est comparé empiriquement à huit algorithmes évolutifs à plusieurs objectifs à la pointe de la technologie sur 80 instances de 16 problèmes de référence. Les résultats comparatifs montrent que la performance globale de l'algorithme proposé est supérieure à celle des algorithmes comparés sur les problèmes d'optimisation étudiés dans cet article.
Liu et al. (Mon,) ont étudié cette question.