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编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第9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
王丽萍,陈宏,杜洁洁,俞维,邱飞岳.偏好向量引导的高维目标协同进化算法.软件学报,0,(0):0
偏好向量引导的高维目标协同进化算法
Preference vector guided co-evolutionary algorithm for Many-Objective Optimization
投稿时间:2018-06-03  修订日期:2019-01-07
DOI:10.13328/j.cnki.jos.005869
中文关键词:  高维目标优化  协同进化  ASF函数  偏好向量
英文关键词:Many-objective optimization  Co-evolutionary  ASF function  preference vector
基金项目:国家自然科学基金(61472366,61379077);浙江省自然科学基金(LY17F020022);浙江省重点研发计划项目(2018C01080)
作者单位E-mail
王丽萍 浙江工业大学 计算机科学与技术学院, 杭州 310023 wlp@zjut.edu.cn 
陈宏 浙江工业大学 教育科学与技术学院, 杭州 310023  
杜洁洁 浙江工业大学 管理学院, 杭州 310023  
俞维 浙江工业大学 管理学院, 杭州 310023  
邱飞岳 浙江工业大学 教育科学与技术学院, 杭州 310023 qfy@zjut.edu.cn 
摘要点击次数: 79
全文下载次数: 48
中文摘要:
      多偏好向量引导的协同进化算法(PICEA-g)是将目标向量作为偏好,个体支配目标向量的个数作为适应值,以有效降低高维目标空间中非支配解的比例.但PICEA-g所获解集是近似Pareto前沿,而不是决策者真正感兴趣部分的Pareto最优解,导致算法在处理高维优化问题时性能下降和计算资源的浪费.鉴于此,本文提出一种基于偏好向量引导的高维目标协同进化算法(ASF-PICEA-g),首先利用ASF扩展函数将进化种群中的参考点映射至目标空间,并将其作为偏好向量引导种群进化的参考方向,然后利用偏好区域选择策略获取两个临时参考点进而构建决策者感兴趣区域(ROI),确定随机偏好集产生的上下界范围,通过协同进化机制引导种群朝偏好区域收敛.本文将ASF-PICEA-g与g-NSGA-II和r-NSGA-II在3-20维的WFG系列和DTLZ系列测试函数上进行仿真实验,实验结果表明:ASF-PICEA-g在WFG系列测试函数上表现出了良好的性能,所得解集整体上优于对比算法;在DTLZ系列测试函数上略优于对比算法,尤其在10维以上目标空间,ASF-PICEA-g表现出更好的稳定性,所获解集具有较好的收敛性和分布性.
英文摘要:
      The preference-inspired co-evolutionary algorithm(PICEA-g) use goal vectors as preferences, and use the number of target vectors that the individual can dominated as fitness value, effectively decreases the proportion of non-dominated solutions in high dimensional space. However, the obtained set is approximate Pareto frontier, not Pareto optimal solution that decision makers are really interested in. This leads to the performance degradation and computational resources waste when dealing with high-dimensional optimization problems. Therefore, a preference vector guided co-evolutionary algorithm for Many-Objective Optimization is proposed in this paper. Firstly, the ASF extension function is used to map the ideal point in the evolution population on the objective space, which is used as a preference vector to guide the evolution direction of the population. Then, two temporary points are obtained by preference region selection strategy in order to build region of preference for decision maker(ROI).The range of upper and lower bounds generated by random preference sets is determined, and the co-evolution mechanism is used to guide the population to converge towards the ROI. The ASF-PICEA-g is compared with g-NSGA-Ⅱ and r-NSGA-Ⅱ on WFG and DTLZ benchmark test functions based on 3 dimention to 20 dimention. The experimental results demonstrate that ASF-PICEA-g shows good performance on the WFG series test function, and the obtained solution set is better than the comparison algorithm; it is slightly better than the comparison algorithm in the DTLZ series test function, especially in the 10D or higher dimention. In addition, ASF-PICEA-g shows better stability, and the obtained solution set has better convergence and distribution.
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