.png){kind=icon}
返回
Binary shape-based benchmarks for analyzing search preferences in multi-objective combinatorial optimization
.png){kind=icon}
OA
AI
DOI：10.1016/j.swevo.2026.102446.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有组合优化的多目标基准问题主要设计用于评估目标空间中的收敛性和多样性，但它们对算法在二进制表示下探索离散搜索空间的方式提供了有限的洞察。特别是，当不同算法获得相似的帕累托前沿近似时，仍不清楚它们是否利用了决策空间的相同区域或依赖根本不同的二进制结构。为解决此局限性，我们提出了一类基于二进制形状的基准问题，明确解耦了三个关键方面：（1）帕累托最优区域的几何形状，（2）从二进制决策向量到低维几何空间的映射，（3）揭示搜索偏好的分析方法。所提出的基准问题构建了多个基于距离的目标函数，对应于简单几何形状，包括圆形、三角形、矩形和正k边形。每种形状诱导一个帕累托最优区域，其内部、边缘和角落对应不同的权衡模式。此外，我们引入了一种基于聚类的基因型分析框架。解在二进制决策向量的汉明空间中进行分组，提取每个聚类的特征位频谱，并将结果聚类在几何空间中可视化。使用不同类型的多目标进化算法和局部搜索算法的实验研究表明，具有相似目标空间性能的方法可能对帕累托最优集的区域和基因型聚类表现出显著不同的偏好。
Keyword:
Multi-objective
Combinatorial optimization
Benchmark
Binary shape-based
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
暂无论文信息