机器学习和生物信息学实验室联盟

标题: 标题:张谋钊-2017.04.27组会-使用自适应聚合函数的分解算法(MOEA/D-PaS) [打印本页]

作者: Mz..    时间: 2017-5-8 18:46
标题: 标题:张谋钊-2017.04.27组会-使用自适应聚合函数的分解算法(MOEA/D-PaS)
标题:张谋钊-2017.04.27组会-使用自适应聚合函数的分解算法(MOEA/D-PaS)
报告人:张谋钊

摘要:
在基于分解的多目标进化算法MOEA/D中,权重向量的聚合函数的设置都影响着算法的性能。而相对于权重向量,在聚合函数上的研究较少,所以作者在一类聚合函数上做了深入的研究。从研究中得到,这类方法的参数p权衡着算法的收敛性和分布性。参数p是否合适取决PF的形状,所以作者提出了PaS(PaS(Pareto Adative Lp Scalarizing),该方法能够在PF未知的情况下,自适应地确定最佳的参数p。并把PaS与MOEA/D整合成MOEA/D-PaS,与其他对聚合函数改进的MOEA/D进行实验对比,实验结果表明了该方法具有较高的可行性。

作者提出的MOEA/D-PaS并非是要作为成熟的多目标优化算法,而是仅仅为了证明PaS的可行性。

文章只对一类聚合函数做了分析--Weighted distance(also called Lp) scalarizing methods。MOEA/D中提出的加权和与加权切比雪夫都是属于该类函数,而加权和与加权切比雪夫是比较常用的两种聚合函数,所以该研究具有一定意义。但毕竟只分析了一类,所以在聚合函数方面还是有很多工作可以做。

        
参考论文:
[1]Wang R, Zhang Q, Zhang T. Decomposition Based Algorithms Using Pareto Adaptive Scalarizing Methods[J]. IEEE Transactions on Evolutionary Computation, 2016, PP(99):1-1.
[2]Wang R, Zhang T, Guo B. An enhanced MOEA/D using uniform directions and a pre-organization procedure[M]. 2013.




欢迎光临 机器学习和生物信息学实验室联盟 (http://123.57.240.48/) Powered by Discuz! X3.2