主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
刘敏,曾文华.记忆增强的动态多目标分解进化算法.软件学报,2013,24(7):1571-1588
记忆增强的动态多目标分解进化算法
Memory Enhanced Dynamic Multi-Objective Evolutionary Algorithm Based on Decomposition
投稿时间:2011-12-27  修订日期:2012-07-26
DOI:10.3724/SP.J.1001.2013.04311
中文关键词:  进化计算  多目标优化  动态环境  记忆方法  分解
英文关键词:evolutionary computation  multi-objective optimization  dynamic environment  memory scheme  decomposition
基金项目:国家自然科学基金(60975076); 福建省教育厅科技项目(JA12221)
作者单位E-mail
刘敏 漳州师范学院 计算机科学与工程系, 福建 漳州 363000
厦门大学 智能科学与技术系, 福建 厦门 361005
福建省仿脑智能系统重点实验室(厦门大学), 福建 厦门 361005 
 
曾文华 福建省仿脑智能系统重点实验室(厦门大学), 福建 厦门 361005
厦门大学 软件学院, 福建 厦门 361005 
whzeng64@163.com 
摘要点击次数: 2776
全文下载次数: 4098
中文摘要:
      现实世界中的一些多目标优化问题经常受动态环境影响而不断发生变化,要求优化算法不断地及时跟踪时变的Pareto 最优解集.提出了一种记忆增强的动态多目标分解进化算法.将动态多目标优化问题分解为若干个动态单目标优化子问题并同时优化这些子问题,以便快速逼近Pareto 最优解集.给出了一个改进的环境变化检测算子,以便更好地检测环境变化.设计了一种基于子问题的串式记忆方法,利用过去类似环境下搜索到的最优解来有效地响应新的环境变化.在8 个标准的测试问题上,将新算法与其他3 种记忆增强的动态进化多目标优化算法进行了实验比较.结果表明,新算法比其他3 种算法具有更快的运行速度、更强的记忆能力与鲁棒性能,并且新算法所获得的解集还具有更好的收敛性与分布性.
英文摘要:
      In addition to the need for satisfying several objectives, many real-world problems are also dynamic and require the optimization algorithm to continuously track the time-varying Pareto optimal set over time. This paper proposes a memory enhanced dynamic multi-objective evolutionary algorithm based on decomposition (denoted by dMOEAD-M). Specifically, the dMOEAD-M decomposes a dynamic multi-objective optimization problem into a number of dynamic scalar optimization subproblems and optimizes them simultaneously. An improved environment detection operator is presented. Also, a subproblem-based bunchy memory scheme, which allows evolutionary algorithm to store good solutions from old environments and reuse them as necessary, is designed to respond to the environment change. Simulation results on eight benchmark problems show that the proposed dMOEAD-M not only runs at a faster speed, more memory capabilities, and a better robustness, but is also able to find a much better spread of solutions and converge better near the changing Pareto optimal front, compared with three other memory enhanced dynamic evolutionary multi-objective optimization algorithms.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利