用于大规模多目标优化的自适应双空间判别器

《Scientific Reports》：Adaptive dual-space discriminator for large-scale multi-objective optimization

　　

摘要

许多现实世界应用涉及具有数百甚至数千个决策变量的大规模多目标优化问题（LSMOPs）。尽管多目标进化算法（MOEAs）对此类任务十分有效，但在高维场景下，仅依赖目标空间信息往往无法提供足够的选择压力。针对该问题，本文提出了一种自适应双空间判别器，通过一种基于重复选择器的状态感知自适应算子选择方法，将目标空间与决策空间的选择策略进行协调，该重复选择器基于种群直接改进反馈。在此基础上，本文开发了一种名为 MOEA-RLD 的算法，该算法集成了双空间选择、在线策略自适应、有界种群池以及 APD 环境选择。在与五种代表性大规模多目标进化算法于 LSMOP 基准测试集上的对比评估表明，MOEA-RLD 在各个测试设置中取得了良好的平均排名。此外，在三个真实世界应用场景上的进一步评估为所提方法的实际性能及其局限性提供了实证依据。