view in publisher's site

An adaptive decomposition evolutionary algorithm based on environmental information for many-objective optimization

Highlights•A convergence (CW) function is used to construct a mating pool in order to get offspring with good convergence performance.•The adaptive decomposition method based on environmental information is proposed to dynamically adjust the penalty factor of PBI.•The weight vectors adaptation strategy is used to produce uniformly distributed individuals specially the disparately scaled objectives.AbstractThe performance of traditional penalty boundary intersection (PBI) decomposition-based evolutionary algorithm is totally determined by the penalty factor. The fixed penalty factor causes the imbalance between the convergence and the diversity when solving many-objective problems. So, an adaptive decomposition evolutionary algorithm based on environmental information (MaOEA/ADEI) is proposed to solve the imbalance. The penalty factor of PBI decomposition is determined by the environmental information (include distribution information of weight vectors and population). Furthermore, the parent individual selection strategy is introduced to select promising individuals for variation and the weight vectors adaption strategy is used to handle problems with scaled objectives. Comparisons with 4 algorithms on 24 benchmark instances are used to test the property of MaOEA/ADEI. The experimental results show MaOEA/ADEI performs best on 14 test instances.

یک الگوریتم تکاملی تجزیه انطباقی براساس اطلاعات محیطی برای بهینه‌سازی چند هدفه

نقاط اوج تابع هم‌گرایی (CW)برای ساخت یک استخر جفت گیری به منظور بدست آوردن فرزند با عملکرد هم‌گرایی خوب استفاده می‌شود. روش تجزیه انطباقی براساس اطلاعات زیست‌محیطی برای تنظیم پویا ضریب جریمه PBI پیشنهاد شده‌است. استراتژی تطبیق بردار وزن برای تولید افراد توزیع‌شده یکنواخت به خصوص با مقیاس کوچک هدف مورد استفاده قرار می‌گیرد. عامل پنالتی ثابت باعث عدم تعادل بین هم‌گرایی و تنوع در هنگام حل مسایل چند هدفه می‌شود. بنابراین، یک الگوریتم تکاملی تجزیه انطباقی براساس اطلاعات محیطی برای حل عدم تعادل پیشنهاد شده‌است. ضریب جریمه تجزیه PBI توسط اطلاعات محیطی (شامل اطلاعات توزیع بردارهای وزن و جمعیت)تعیین می‌شود. علاوه بر این، استراتژی انتخاب انفرادی والدین برای انتخاب افراد امید بخش برای تغییر معرفی می‌شود و استراتژی تطبیق بردارهای وزن برای رسیدگی به مشکلات با اهداف مقیاس بندی شده استفاده می‌شود. مقایسه با ۴ الگوریتم در ۲۴ نمونه معیار برای تست ویژگی MaOآینده‌نگر / ADEI استفاده می‌شود. نتایج تجربی نشان می‌دهد که MaOآینده‌نگر / ADEI در ۱۴ نمونه تست بهترین عملکرد را دارند.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Electrical and Electronic Engineering
  • ترجمه مقاله Electrical and Electronic Engineering
  • مقاله مهندسی برق و الکترونیک
  • ترجمه مقاله مهندسی برق و الکترونیک
  • مقاله Applied Mathematics
  • ترجمه مقاله Applied Mathematics
  • مقاله ریاضیات کاربردی
  • ترجمه مقاله ریاضیات کاربردی
  • مقاله Computer Science Applications
  • ترجمه مقاله Computer Science Applications
  • مقاله کاربردهای علوم کامپیوتر
  • ترجمه مقاله کاربردهای علوم کامپیوتر
  • مقاله Instrumentation
  • ترجمه مقاله Instrumentation
  • مقاله دستگاهش
  • ترجمه مقاله دستگاهش
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.