现有的多目标优化算法

现有的多目标优化算法(中文5000字,英文PDF)
Garza-Fabre等人[16]研究了两个竞争的父代个体之间的差异，并基于这一差异提出了三种单目标优化的方法，这项研究表明，与常规的Pareto支配EMO方法相比，该方法在五目标到50目标之间的DTLZ1，DTLZ3和DTLZ6问题收敛性更强。 Purshouse和Fleming [39]的研究表明，在Pareto最优前沿附近，多样性和收敛性是两个不可兼得的目标，特别是对于许多多目标优化问题，一般的遗传算子根本不足以同时实现两个目标。另一项研究[40]又在NSGA-II算法中添加了分集控制算子，以此来解决6到20目标优化的DTLZ2问题。 Koppen和Yoshida [41]声称NSGA-II过程的独创性并不适用于多目标优化问题，并提出了许多可以取代NSGA-II拥挤距离算子以获得更好性能的指标。基于双目标到15目标DTLZ2，DTLZ3和DTLZ6问题的仿真研究，他们提出以替代指配距离度量作为最佳策略。 Hadka和Reed [42]提出了一种基于集合的EMO程序，该程序从8到10个不同的预定义算子中选择出来一个合适的重组算子（这些算子即问题中各代群体的成功率）。它还涉及了E-支配性的概念以及一种自适应的种群规模调整方法，据称可以成功解决八目标优化问题。Bader和Zitzler [43]提出了一种计算基于样本的超容量的快速程序，并设计了一种算法来找到一组使得超容量最大化的解决方案。越来越多的关于近似超容量计算的文献[18]，[44]，[45]使得这种方法在解决多目标问题时实用化。