一种基于自适应搜索的多模态多目标优化算法

doi:10.12068/j.issn.1005-3026.2023.10.006

东北大学学报（自然科学版） ›› 2023, Vol. 44 ›› Issue (10): 1408-1415.DOI: 10.12068/j.issn.1005-3026.2023.10.006

一种基于自适应搜索的多模态多目标优化算法

李占山^1,2，宋志扬¹，花昀峤³

(1. 吉林大学软件学院，吉林长春130012； 2. 吉林大学计算机科学与技术学院，吉林长春130012； 3. 吉林大学资产管理处，吉林长春130012)

发布日期:2023-10-27
通讯作者: 李占山
作者简介:李占山(1966-)，男，吉林公主岭人，吉林大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(61802056)；吉林省自然科学基金资助项目(20180101043JC)；吉林省发展和改革委员会产业技术研究与开发项目(2019C053-9).

A Multi-modal Multi-objective Optimization Algorithm Based on Adaptive Search

LI Zhan-shan^1,2， SONG Zhi-yang¹， HUA Yun-qiao³

1. School of Software， Jilin University， Changchun 130012， China; 2. School of Computer Science and Technology， Jilin University， Changchun 130012， China; 3. Asset Management Division， Jilin University， Changchun 130012， China.

Published:2023-10-27
Contact: HUA Yun-qiao
About author:-
Supported by:
-

摘要/Abstract

摘要： 为了解决目前基于分解的多模态多目标优化算法存在种群搜索能力不足，子种群中存在无用解和距离度量不具有普适性等问题，提出了一种基于自适应搜索的多模态多目标优化算法MOEA/D-AS.首先，该方法通过减少平均子种群的个体数量，进而增加参考向量的数量.其次，根据子种群当前状态自适应分配子种群的个体数量.最后，使用引入了局部种群信息的清除距离作为维护子种群的依据.将提出的算法与4种算法在2019年CEC多模态多目标测试问题和大规模多模态多目标测试问题上进行对比实验，实验结果表明，提出的算法可以有效解决多模态多目标优化问题.

关键词: 多模态多目标优化算法;自适应搜索;子种群;局部信息;清除距离

Abstract: The current decomposition-based multi-modal multi-objective optimization algorithms have insufficient population search capability， useless solutions in sub-populations， and a non-universal distance metric. To address these issues， an adaptive search multi-modal multi-objective optimization algorithm MOEA/D-AS is proposed. Firstly， this method increases the number of reference vectors by reducing the size of the average sub-population. Secondly， the sub-populations are reallocated according to the current state of the sub-populations in the iteration. Finally， a clear distance based on local population information is introduced as the basis for modifying the sub-populations. The proposed algorithm is compared with four algorithms on the 2019 CEC multi-modal multi-objective test problems and the large-scale multi-modal multi-objective test problems for experiments. The experimental results show that the proposed algorithm can effectively solve the multi-modal multi-objective optimization problems.

Key words: multi-modal multi-objective optimization algorithm; adaptive search; sub-population; local information; clear distance

中图分类号:

TP18

李占山，宋志扬，花昀峤. 一种基于自适应搜索的多模态多目标优化算法[J]. 东北大学学报（自然科学版）, 2023, 44(10): 1408-1415.

LI Zhan-shan， SONG Zhi-yang， HUA Yun-qiao. A Multi-modal Multi-objective Optimization Algorithm Based on Adaptive Search[J]. Journal of Northeastern University(Natural Science), 2023, 44(10): 1408-1415.

参考文献

[1]Tanabe R，Ishibuchi H.A review of evolutionary multimodal multiobjective optimization［J］.IEEE Transactions on Evolutionary Computation，2020，24(1):193-200.
[2]李占山，刘兆赓，俞寅，等.量子化信息素蚁群优化特征选择算法［J］.东北大学学报(自然科学版)，2020，41(1):17-22.(Li Zhan-shan， Liu Zhao-geng， Yu Yin，et al.A quantized pheromone ant colony optimization algorithm for feature selection［J］.Journal of Northeastern University(Natural Science)，2020，41(1):17-22.)
[3]Tian Y，Liu R C，Zhang X Y，et al.A multipopulation evolutionary algorithm for solving large-scale multimodal multiobjective optimization problems［J］.IEEE Transactions on Evolutionary Computation，2021，25(3):405-418.
[4]Nguyen B H，Xue B，Andreae P，et al.Multiple reference points-based decomposition for multiobjective feature selection in classification:static and dynamic mechanisms［J］.IEEE Transactions on Evolutionary Computation，2020，24(1):170-184.
[5]Huang T，Gong Y J，Kwong S，et al. A niching memetic algorithm for multi-solution traveling salesman problem［J］.IEEE Transactions on Evolutionary Computation，2020，24(3):508-522.
[6]Yuan Y，Xu H，Wang B，et al.Balancing convergence and diversity in decomposition-based many-objective optimizers［J］.IEEE Transactions on Evolutionary Computation，2016，20(2):180-198.
[7]Liu Y P，Yen G，Gong D.A multimodal multiobjective evolutionary algorithm using two-archive and recombination strategies［J］.IEEE Transactions on Evolutionary Computation，2019，23(4):660-674.
[8]Zhang Q F，Li H.MOEA/D:a multi-objective evolutionary algorithm based on decomposition［J］.IEEE Transactions on Evolutionary Computation，2007，11(6):712-731.
[9]Tanabe R，Ishibuchi H.A decomposition-based evolutionary algorithm for multi-modal multi-objective optimization［C］// Proceedings of Parallel Problem Solving from Nature-PPSN.Coimbra:Springer International Publishing，2018:249-261.
[10]Peng Y M，Ishibuchi H.A decomposition-based large-scale multi-modal multi-objective optimization algorithm［EB/OL］.(2020-09-03)［2021-12-26］.https://ieeexplore.ieee.org/document/9185674.
[11]Liu Y P，Ishibuchi H，Yen G G，et al.On the normalization in evolutionary multi-modal multi-objective optimization［EB/OL］.(2020-09-03)［2021-12-25］.https://ieeexplore.ieee.org/document/9185899.
[12]Ma X L，Yu Y N，Li X D，et al.A survey of weight vector adjustment methods for decomposition-based multiobjective evolutionary algorithms［J］.IEEE Transactions on Evolutionary Computation，2020，24(4):634-649.
[13]Deb K，Pratap A，Agarwal S，et al.A fast and elitist multiobjective genetic algorithm:NSGA-II［J］.IEEE Transactions on Evolutionary Computation，2002，6(2):182-197.
[14]Yue C T，Qu B Y，Liang J.A multiobjective particle swarm optimizer using ring topology for solving multimodal multi-objective problems［J］.IEEE Transactions on Evolutionary Computation，2018，22(5):805-817.
[15]Li G Q，Wang W L，Chen H L，et al.A SHADE-based multimodal multi-objective evolutionary algorithm with fitness sharing［J］.Applied Intelligence，2021，51(12):8720-8752.
[16]Tanabe R，Ishibuchi H.A niching indicator-based multi-modal many-objective optimizer［J］.Swarm and Evolutionary Computation，2019，49(1):134-146.
[17]Zhou A，Zhang Q，Jin Y.Approximating the set of pareto-optimal solutions in both the decision and objective spaces by an estimation of distribution algorithm［J］.IEEE Transactions on Evolutionary Computation，2009，13(5):1167-1189
[18]Tian Y，Cheng R，Zhang X Y，et al.PlatEMO:a Matlab platform for evolutionary multi-objective optimization ［J］.IEEE Computational Intelligence Magazine，2017，12(4):73-87.

一种基于自适应搜索的多模态多目标优化算法

A Multi-modal Multi-objective Optimization Algorithm Based on Adaptive Search

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张之敏，乔建忠，林树宽，王品贺. 一种基于深度网络的视图重建方法[J]. 东北大学学报:自然科学版, 2020, 41(8): 1065-1069.
[2]	赵建喆，吴辰铌，王兴伟，裴丽亚. 基于马尔可夫毯的贝叶斯网络结构学习算法[J]. 东北大学学报:自然科学版, 2020, 41(4): 464-470.
[3]	崔雪婷，李颖，范嘉豪. 全局混沌蝙蝠优化算法[J]. 东北大学学报:自然科学版, 2020, 41(4): 488-492.
[4]	曲璐渲，郭上慧，王之琼，信俊昌. 基因调控网络的父节点筛选贝叶斯建模方法[J]. 东北大学学报:自然科学版, 2020, 41(2): 158-162.
[5]	孔芝，李事成，赵杰. 珊瑚礁算法的改进研究[J]. 东北大学学报:自然科学版, 2020, 41(2): 163-169.
[6]	翟莹莹，左丽，张恩德. 基于参数优化的RBF神经网络结构设计算法[J]. 东北大学学报:自然科学版, 2020, 41(2): 176-182.
[7]	张华伟，郑晓涛. 基于遗传算法优化神经网络的拼焊板压边力预测[J]. 东北大学学报:自然科学版, 2020, 41(2): 241-245.
[8]	于长永，何鑫，祁欣，马海涛. GMSDenseNet:基于组多结构卷积的轻量级DenseNet[J]. 东北大学学报:自然科学版, 2020, 41(1): 12-16.
[9]	李占山，刘兆赓，俞寅，鄢文浩. 量子化信息素蚁群优化特征选择算法[J]. 东北大学学报:自然科学版, 2020, 41(1): 17-22.
[10]	李壮，刘磊，张桐搏，吕帅. 基于重启策略的学习子句优化方法[J]. 东北大学学报:自然科学版, 2020, 41(1): 44-48.
[11]	徐林，郑晓彤，付博，田歌. 基于改进GAN算法的电机轴承故障诊断方法[J]. 东北大学学报:自然科学版, 2019, 40(12): 1679-1684.
[12]	马铁民，周福才，王爽. 基于用户相似度的随机游走社交网络事件推荐算法[J]. 东北大学学报:自然科学版, 2019, 40(11): 1533-1538.
[13]	蒋芳芳，徐敬傲，李任，徐礼胜. 基于CNN的心冲击信号阵发性房颤自动检测方法[J]. 东北大学学报:自然科学版, 2019, 40(11): 1539-1543.
[14]	刘鹏，杜佳芝，吕伟刚，窦明武. 面向不平衡数据集的一种改进的k-近邻分类器[J]. 东北大学学报:自然科学版, 2019, 40(7): 932-936.
[15]	吕帅，张桐搏，王强，刘磊. 两种新的基于扩展规则#SAT问题求解算法[J]. 东北大学学报:自然科学版, 2019, 40(5): 630-635.