Kỹ thuật điểm tham chiếu thích ứng để cải thiện chất lượng của giải thuật tiến hóa tối ưu đa mục tiêu dựa trên phân hoạch
103 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE7.2023.3-14Từ khóa:
Tối ưu tiến hóa đa mục tiêu; Cân bằng giữa thăm dò và khai thác; Phân bố quần thể; Vùng trống, điểm tham chiếu thích nghi; MOEA/D.Tóm tắt
Ứng dụng giải thuật tiến hóa tối ưu đa mục tiêu để giải các bài toán tối ưu đa mục tiêu là một lĩnh vực nghiên cứu nhận được nhiều sự quan tâm của các nhà khoa học. Mặc dù đã có nhiều công trình nghiên cứu trong lĩnh vực này, tuy nhiên, việc cân bằng giữa khả năng khai thác và thăm dò của giải thuật trong quá trình tiến hóa vẫn là một vấn đề thách thức trong lĩnh vực nghiên cứu. Bài báo đề xuất một cách tiếp cận mới nhằm giải quyết vấn đề cân bằng đó trên cơ sở phân tích phân bố của quần thể để xác định các vùng trống trong đó chưa có giải pháp được chọn. Thông tin về các vùng trống được sử dụng để điều chỉnh thích nghi vị trí điểm tham chiếu nhằm ưu tiên lựa chọn giải pháp tại các vùng trống. Thí nghiệm trên các bài toán mẫu cho thấy, phương pháp đề xuất làm tăng tính đa dạng của quần thể, từ đó cân bằng giữa các khả năng của giải thuật trong quá trình tiến hóa và cải thiện chất lượng của giải thuật.
Tài liệu tham khảo
[1]. H. Wenlan, Zh. Yu, L. Lan, “Survey on multi-objective evolutionary algorithms”, J. of Physics: Conference Series, Conference Series, 1288, 012057, (2019). DOI: https://doi.org/10.1088/1742-6596/1288/1/012057
[2]. K. Deb and J. Sundar, “Reference point based multi-objective optimization using evolutionary algorithms”, Proc. of the 8th annual conference on Genetic and evolutionary computation, pp.635-642, (2006). DOI: https://doi.org/10.1145/1143997.1144112
[3]. D. H. Phan, J. Suzuki, I. Hayashi, “Leveraging IndicatorBased Ensemble Selection in Evolutionary Multiobjective Optimization Algorithms”, Proc. of 2012 Genetic and Evolutionary Computation Conference, pp.497-504, (2012). DOI: https://doi.org/10.1145/2330163.2330234
[4]. R. H. Gomez, C. A. C. Coello, “A Hyper- Heuristic of Scalarizing Functions”, Proc. of 2017 Genetic and Evolutionary Computation Conference, pp.577-584, (2017). DOI: https://doi.org/10.1145/3071178.3071220
[5]. J. G. Falcón-Cardona and C. A. C Coello, “A Multi-Objective Evolutionary Hyper-Heuristic Based on Multiple Indicator Based Density Estimators”, Proc. of 2018 Genetic and Evolutionary Computation Conference, pp.633-640, (2018). DOI: https://doi.org/10.1145/3205455.3205463
[6]. J. G. Falcón-Cardona and C. A. C Coello, “An ensemble indicator-based density estimator for evolutionary multi-objective optimization”, Proc. of International Conference on Parallel Problem Solving from Nature, pp.201-214, (2020). DOI: https://doi.org/10.1007/978-3-030-58115-2_14
[7]. Zh. Qingfu and L. Hui, “MOEA/D: A multiobjective evolutionary algorithm based on decomposition”, J. of Evolutionary Computation, Vol 11, pp. 712-731, (2008). DOI: https://doi.org/10.1109/TEVC.2007.892759
[8]. Q. Xu, Z. Xu and T. Ma, “A Survey of Multiobjective Evolutionary Algorithms Based on Decomposition: Variants, Challenges and Future Directions”, J. of IEEE Access, Vol. 8, pp.41588-41614, (2020). DOI: https://doi.org/10.1109/ACCESS.2020.2973670
[9]. K. Deb, H. Jain, “An Evolutionary Many-Objective Optimization Algorithm Using Reference-Point-Based Nondominated Sorting Approach, Part I: Solving Problems With Box Constraints”, J. of IEEE Transactions on Evolutionary Computation, Vol 18(4), pp.577–601, (2014). DOI: https://doi.org/10.1109/TEVC.2013.2281535
[10]. A. Masood, G. Chen, Y. Mei, M. Zhang, “Adaptive Reference Point Generation for Many-Objective Optimization Using NSGA-III”, Lecture Notes in Computer Science, pp.358-370, (2018). DOI: https://doi.org/10.1007/978-3-030-03991-2_34
[11]. W. Rui, X. Jian, I. Hisao, W. Guohua, Zh. Tao, “On the effect of reference point in MOEA/D for multi-objective optimization”, J. of Applied Soft Computing, pp.25-34, (2017). DOI: https://doi.org/10.1016/j.asoc.2017.04.002
[12]. J. Zou, L. Fu, S. Yang, J. Zheng, G. Ruan, T. Pei, L. Wang, “An adaptation reference-point-based multiobjective evolutionary algorithm”, J. of Information Sciences, Vol 488, pp.41-57, (2019). DOI: https://doi.org/10.1016/j.ins.2019.03.020
[13]. P. V. Pellicer, M. I. Escudero, S. F. Alzueta, K. Deb, “Gap finding and validation in evolutionary multi- and many-objective optimization”, Proc. of the 2020 Genetic and Evolutionary Computation Conference, pp. 578-586, (2020). DOI: https://doi.org/10.1145/3377930.3389835
[14]. T. B. Minh, N. Long, N. D. Dinh, “Using bliss points to enhance direction based multi-objective algorithms”, Proc. of 14th International Conference on Knowledge and Systems Engineering, pp.1-6, (2022). DOI: https://doi.org/10.1109/KSE56063.2022.9953747
[15]. E. Zitzler, K. Deb, L. Thiele, “Comparison of multiobjective evolutionary algorithms: Empirical results”, J. of Evolutionary Computation, Vol 8(2); pp.173-195, (2000).
[16]. Q. Zhang, A. Zhou, S. Zhao, P. N. Suganthan, W. Liu, and S. Tiwari, “Multiobjective optimization test instances for the CEC 2009 specialsession and competition”, University of Essex and NanyangTechnological University, Tech. Rep. CES-487, (2008).
[17]. D.A.V. Veldhuizen, “Multiobjective Evolutionary Algorithms: Classifications, Analyses, and New Innovation”, PhD thesis, Airforce Institue of Technology, Ohio (1999).
[18]. E. Zitzler, L. Thiele, and K. Deb, “Comparision of multiobjective evolutionary algorithms: Emprical results”, J. of Evolutionary Computation, Vol 8(1), pp.173-195, (2000). DOI: https://doi.org/10.1162/106365600568202
