.png){kind=icon}
返回
Enhanced Ideal Objective Vector Estimation for Evolutionary Multi-Objective Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/tetci.2026.3722244.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
理想目标向量，由m目标优化问题中m个目标函数的最优值组成，是进化多目标优化中的一个重要概念。该向量的准确估计一直是一个关键任务，因为它常被用于引导搜索过程和归一化目标空间。主流的估计方法均涉及利用当前或累积种群中个体在每个目标函数上达到的最佳值。然而，本文揭示基于种群的估计方法仅在相对简单的问题上表现良好，而在具有显著偏差的问题上效果不佳。多目标优化问题中的偏差可分为三类，本文分析了每类偏差如何阻碍理想目标向量的估计。随后提出了一组测试实例，以定量评估各类偏差对理想目标向量估计方法的影响。此外，本文为多目标进化算法（MOEAs）引入了一个名为增强理想目标向量估计（EIE）的可即插即用组件。EIE通过对极端加权求和方法定义的m个子问题进行自适应和精细化的搜索，最终输出m个能良好近似理想目标向量的解。在实验中，EIE被整合到三种代表性MOEAs中。为展示EIE的广泛适用性，算法不仅在新提出的测试实例上进行了测试，还在现有实例上进行了测试。结果表明，EIE普遍提高了理想目标向量的估计精度，并在大多数偏差场景下增强了MOEA的性能。
Keyword:
Multi-objective optimization
evolutionary computation
ideal objective vector
test problems
bias feature
查看更多机构