روش جمع بندی وزن محلی برای بسیاری از اهداف بهینه سازی

استفاده از اسکالریزاسیون یک مفهوم اساسی برای بهینه سازی چند منظوره است. روش ترکیبی وزنی، یک روش اغلب مورد استفاده در الگوریتم های چند هدفه (EMO) مبتنی بر تجزیه، دارای ویژگی های خوبی از قبیل کارایی آسان و جستجو سریع در محاسبات نسبت به سایر روش های اسکالریزه می باشد. با این حال، اغلب از این روش برای از دست دادن اثر بر روی مشکلات غیر محدب انتقاد می شود. در این مطالعه به دنبال استفاده از مزایای روش جمع بندی وزنی، بدون عیب آن، برای حل مشکلات بسیاری از اهداف هستیم. ما الگوریتم EMO مبتنی بر تجزیه نام MOEA / D-LWS پیشنهاد می دهیم که در آن روش جمع بندی وزن با روش محلی اعمال می شود. یعنی، برای هر مسیر جستجو، راه حل بهینه تنها در میان راه حل های همسایه آن انتخاب می شود. محل با استفاده از یک hypercone تعریف شده است. زاویه آپکس یک هیپورنس به طور پیشینی به طور خودکار تعیین می شود . اثربخشی MOEA / D-LWS با مقایسه آن با سه نوع MOEA / D، یعنی MOEA / D با استفاده از روش Chebyshev، MOEA / D با استفاده انطباقی از مجموع وزن و روش Chebyshev، MOEA / D به طور همزمان استفاده از مجموع وزن و روش Chebyshev و چهار الگوریتم EMO بسیاری از هدف، یعنی PICEA-g، HypE، -DEA0 و SPEA2 + SDE برای مشکلات معیار WFG تا هفت هدف متضاد. نتایج تجربی نشان می دهد که MOEA / D-LWS از الگوریتم های مقایسه برای اکثر مشکلات آزمون پیشی می گیرد و یک الگوریتم رقابتی برای بهینه سازی بسیاری از اهداف است.

کلیدواژه ها:

بهینه سازی چند هدفه ، تقسیم تکاملی ، تجزیه ، مجموع وزن ، محلی