LSMOF/D阅读笔记

最新推荐文章于 2024-09-15 07:53:37 发布

原创

最新推荐文章于 2024-09-15 07:53:37 发布 · 810 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#算法

本文探讨了大规模多目标优化问题（LSMOPs）的挑战，提出将LSMOF与MOEA/D结合的LSMOF/D算法。该算法通过问题分解和重形式化，有效地处理决策空间和目标空间的复杂性。实验表明，LSMOF/D在处理具有大量决策变量和复杂目标函数的问题时表现出高效性能。

Large-scale Multiobjective Optimization via Problem Decomposition and Reformulation

L. Li, C. He, R. Cheng and L. Pan, “Large-scale Multiobjective Optimization via Problem Decomposition and Reformulation,” 2021 IEEE Congress on Evolutionary Computation (CEC), 2021, pp. 2149-2155, doi: 10.1109/CEC45853.2021.9504820.

摘要

由于目标函数的复杂性和决策空间的庞大，大规模多目标优化问题是现有方法面临的挑战。

现有的LSMOEAs只专注于处理大量的决策空间，而忽略了LSMOPs在目标函数方面的复杂性。事实上，复杂性问题也很重要，因为复杂性随着决策变量数量的增加而增加。

在这里，我们研究了LSMOF与MOEA/D相结合的有效性，旨在处理决策空间和目标空间中LSMOPs的复杂性。

1、引言

Generally, MOEAs have shown promising performance in solving MOPs with a vast volume of objective
space.

Attributed to the great success of MOEAs in conventional multiobjective optimization, more and more researchers have turned to the design and application of MOEAs in dealing with complex MOPs.

Large-scale multiobjective optimization p