Key points are not available for this paper at this time.
Résoudre des problèmes d'optimisation multi-objectifs contraints est une tâche difficile, car il faut optimiser simultanément plusieurs objectifs conflictuels ainsi qu'un certain nombre de contraintes. Cet article passe en revue un certain nombre d'algorithmes évolutionnaires multi-objectifs contraints (CMOEAs) populaires et vingt-trois problèmes d'optimisation multi-objectifs contraints (CMOPs) largement utilisés (y compris CF1-10, CTP1-8, BNH, CONSTR, OSY, SRN et TNK). Ensuite, huit CMOEAs populaires avec des opérateurs de croisement binaire simulé (SBX) et d'évolution différentielle (DE) sont sélectionnés pour tester leur performance sur les vingt-trois CMOPs. Les huit CMOEAs peuvent être classés en CMOEAs basés sur la domination (y compris ATM, IDEA, NSGA-II-CDP et SP) et CMOEAs basés sur la décomposition (y compris CMOEA/D, MOEA/D-CDP, MOEA/D-SR et MOEA/D-IEpsilon). Les résultats expérimentaux complets indiquent qu'IDEA a la meilleure performance parmi les CMOEAs basés sur la domination et que MOEA/D-IEpsilon a la meilleure performance parmi les CMOEAs basés sur la décomposition. Parmi les huit CMOEAs, MOEA/D-IEpsilon avec à la fois les opérateurs SBX et DE a la meilleure performance sur les vingt-trois problèmes d'évaluation.
Fan et al. (Jeu,) ont étudié cette question.