多目标优化能用哪些算法？一种用于多模式多目标优化的简单进化算法

多目标优化能用哪些算法？一种用于多模式多目标优化的简单进化算法

在解决多模式、多目标优化问题（MMOPs）时，目标不仅是在目标空间中找到帕累托最优前沿（PF）的良好代表，而且还要在变量空间中找到所有等价的帕累托最优子集（PSS）。当决策者（DM）对识别具有类似性能的替代设计感兴趣时，这样的问题实际上是相关的。近年来，人们对开发处理MMOPs的有效算法产生了浓厚的研究兴趣。然而，现有的算法仍然需要大量的函数评估（通常是几千次）来处理涉及低至两个目标和两个变量的问题。这些算法通常嵌入了复杂的定制机制，需要额外的参数来管理变量和目标空间的多样性和收敛性。在这封信中，我们介绍了一种用于解决MMOPs的稳态进化算法，设计简单，与标准EA相比，没有额外的用户定义参数需要调整。我们报告了它在21个MMOPs上的表现，这些MMOPs来自各种测试套件，被广泛用于基准测试，使用的是1000次函数评估的低计算预算。所提算法的性能与六种最先进的算法（MO RingPSO SCD、DN-NSGAII、TriMOEA-TA&R、CPDEA、MMOEA/DC和MMEA-WI）进行比较。根据既定的指标，包括IGDX、PSP和IGD，拟议的算法表现出明显优于上述算法的性能。我们希望这项研究能够鼓励设计简单、高效和通用的算法，以提高其在实际应用中的吸收率。

《A Simple Evolutionary Algorithm for Multi-modal Multi-objective Optimization》

论文地址:http://arxiv.org/abs/2201.06718v1