Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Về hiệu suất của tìm kiếm địa phương di truyền đa mục tiêu trên bài toán ba lô 0/1 - một thí nghiệm so sánh
Tóm tắt
Các metaheuristic đa mục tiêu, chẳng hạn như các thuật toán di truyền đa mục tiêu, là một trong những lĩnh vực hoạt động sôi nổi nhất của tối ưu hóa đa mục tiêu. Kể từ năm 1985, đã có một số lượng đáng kể các phương pháp khác nhau được đề xuất. Tuy nhiên, chỉ có một vài nghiên cứu so sánh các phương pháp được thực hiện trên các vấn đề quy mô lớn. Chúng tôi tiếp tục hai thí nghiệm so sánh về bài toán ba lô 0/1 đa mục tiêu được báo cáo trong tài liệu. Chúng tôi so sánh hiệu suất của hai thuật toán tìm kiếm địa phương di truyền đa mục tiêu (MOGLS) với những thuật toán có hiệu suất tốt nhất trong các thí nghiệm trước, sử dụng cùng một bộ mẫu thử nghiệm. Kết quả của thí nghiệm của chúng tôi cho thấy rằng thuật toán MOGLS của chúng tôi tạo ra các xấp xỉ tốt hơn cho tập không bị chi phối trong cùng số lần đánh giá hàm so với các thuật toán khác.
Từ khóa
#Thuật toán di truyền #Tính toán tiến hóa #Thử nghiệm #Đánh giá hiệu suất #Độ phức tạp tính toán #Mô hình hóa tính toán #Tôi luyện giả #Tổ chức quy mô lớn #Sắp xếp #Đột biến genTài liệu tham khảo
10.1007/BF01759923
10.1023/A:1009690717521
hansen, 1998, Evaluating quality of approximations to the nondominated
10.1109/ICEC.1994.350037
10.1109/5326.704576
10.1016/S0377-2217(01)00104-7
jaszkiewicz, 2001, comparison of local search-based metaheuristics on the multiple-objective knapsack problem, Found Comput Decision Sci, 26, 99
10.1109/TSSC.1967.300102
10.1109/CEC.2000.870313
knowles, 2000, a comparison of diverse approaches to memetic multiobjective combinatorial optimization, Proc Genetic and Evolutionary Computation Conf, pages 103
10.1162/evco.1995.3.1.1
veldhuizen, 1999, Multiobjective evolutionary algorithms Classifications analyses and new innovations
10.1002/(SICI)1099-1360(199907)8:4<221::AID-MCDA247>3.3.CO;2-F
czyżak, 1998, pareto simulated annealing — a metaheuristic technique for multiple-objective combinatorial optimization, J Multi-Criteria Decision Anal, 7, 34, 10.1002/(SICI)1099-1360(199801)7:1<34::AID-MCDA161>3.0.CO;2-6
10.1023/A:1009823419804
fonseca, 1996, on the performance assessment and comparison of stochastic multiobjective optimizers, Proceedings of the 4th International Conference on Parallel Problem Solving from Nature, 1141, 584
10.1109/4235.797969
10.1287/ijoc.1.3.190
10.1023/A:1009682532542
borges, 1998, A basis for future successes in multiobjective combinatorial optimization
goldberg, 1988, Genetic Algorithms in Search Optimization and Machine Learning
ackley, 1987, A Connectionist Machine for Genetic Hillclimbing, 10.1007/978-1-4613-1997-9
10.1007/978-94-015-7744-1
michalewicz, 1994, genetic algorithms for the 0/1 knapsack problem, Proceedings of the 8th International Symposium on Methodologies for Intelligent Systems (ISMIS 94), 869, 134, 10.1007/3-540-58495-1_14
10.1109/ICEC.1997.592288
10.1162/evco.1994.2.3.221
schaffer, 1985, multiple-objective optimization with vector evaluated genetic algorithms, Genetic Algorithms and Their Applications Proceedings of the Third International Conference on Genetic Algorithms, 93
10.1016/0966-8349(95)00008-6
steuer, 1986, Multiple Criteria Optimization Theory Computation Application