Um algoritmo evolucionário de múltiplos objetivos baseado em três estados para resolver problemas de otimização de múltiplos objetivos

Nos últimos anos, os pesquisadores têm abordado o algoritmo de otimização de múltiplos objetivos, que pode otimizar 5, 8, 10, 15 e 20 funções objetivos simultaneamente, como um novo tópico de pesquisa. No entanto, a pesquisa atual sobre a tecnologia de otimização de múltiplos objetivos também enfrenta alguns desafios. Por exemplo: fenômeno de resistência de Pareto, difícil manutenção da diversidade. Com base nos problemas acima, este artigo propõe um algoritmo evolucionário de múltiplos objetivos baseado em três estados (MOEA/TS). Primeiro, um operador de extração de características é proposto. Ele pode extrair as características do conjunto de soluções de alta qualidade e, em seguida, auxiliar a evolução do indivíduo atual. Em segundo lugar, com base na camada do frente de Pareto, é proposta a noção de "grau de importância do indivíduo". O grau de importância de um indivíduo pode refletir a importância do indivíduo na mesma camada do frente de Pareto, de modo a distinguir ainda mais as vantagens e desvantagens de diferentes indivíduos na mesma camada. Então, um método de campo de repulsão é proposto. A diversidade da população no espaço objetivo é mantida pelo campo de repulsão, para que a população possa ser distribuída uniformemente no verdadeiro frente de Pareto. Finalmente, uma nova estrutura de algoritmo concorrente é projetada. Na estrutura do algoritmo, o algoritmo é dividido em três estados, e cada estado se concentra em uma tarefa específica. A população pode alternar livremente entre esses três estados de acordo com sua própria evolução. O algoritmo MOEA/TS é comparado com 7 algoritmos avançados de otimização de múltiplos objetivos. Os resultados experimentais mostram que o algoritmo MOEA/TS é mais competitivo em problemas de otimização de múltiplos objetivos.