Key points are not available for this paper at this time.
O algoritmo evolutivo multiobjetivo (MOEA) baseado em decomposição transforma um problema de otimização multiobjetivo em um conjunto de subproblemas agregados e, em seguida, os otimiza de forma colaborativa. Como esses subproblemas geralmente têm diferentes graus de dificuldade, estratégias de alocação de recursos (RA) têm sido relatadas para melhorar o desempenho, tentando atribuir dinamicamente quantidades adequadas de recursos computacionais para a solução de cada um desses subproblemas. No entanto, esquemas existentes para MOEAs baseados em decomposição dependem totalmente da melhoria relativa das funções agregadas para fazer isso. Este artigo propõe uma estratégia de RA aumentada por diversidade para esse tipo de MOEA, dependendo tanto da melhoria relativa no valor da função agregada quanto da densidade da solução em torno de cada subproblema para alocar recursos computacionais. Assim, um subproblema cercado por menos soluções em sua área vizinha e com mais melhoria relativa no valor da função agregada terá uma probabilidade mais alta de evolução. Nossos resultados experimentais mostram as vantagens de nossa estratégia proposta sobre duas estratégias de RA populares disponíveis para MOEAs baseados em decomposição, ao enfrentar um conjunto de problemas de benchmark complicados.
Lin et al. (Qui,) estudaram esta questão.