无参分组大规模变量的多目标算法研究

计算机工程与科学

无参分组大规模变量的多目标算法研究

朱登京，段倩倩

（上海工程技术大学电子电气工程学院，上海 201600）

收稿日期:2019-10-15 修回日期:2019-12-11 出版日期:2020-04-25 发布日期:2020-04-25

A multi-objective optimization algorithm without

parameter grouping and with large-scale variables

ZHU Deng-jing，DUAN Qian-qian

（School of Electric and Electronic Engineering，Shanghai University of Engineering Science，Shanghai 201600，China）

Received:2019-10-15 Revised:2019-12-11 Online:2020-04-25 Published:2020-04-25

摘要/Abstract

摘要：

目前大多数多目标优化算法没有考虑到决策变量之间的交互性，只是将所有变量当作一个整体进行优化。随着决策变量的增加，多目标优化算法的性能会急剧下降。针对上述问题，提出一种无参变量分组的大规模变量的多目标优化算法（MOEA/DWPG）。该算法将协同优化与基于分解的多目标优化算法（MOEA/D）相结合，设计了一种不含参数的分组方式来提高交互变量分组的精确性，提高了算法处理含有大规模变量的多目标优化算法的性能。实验结果表明，该算法在大规模变量多目标问题上明显优于MOEA/D及其它先进算法。

关键词: 大规模变量, 多目标优化, 交互变量, 变量分组

Abstract:

At present, most multi-objective optimization algorithms do not consider the interaction between decision variables, but just optimize all variables as a whole. With the increase of decision variables, the performance of multi-objective optimization algorithms will decrease sharply. Aiming at the above problems, a multi-objective optimization algorithm without parameter grouping and with large-scale variables (MOEA/DWPG) is proposed. By combining collaborative optimization with the decomposition-based multi-objective optimization algorithm (MOEA/D), this algorithm designs a grouping method without parameters to improve the grouping accuracy of interaction variables and to enhance the algorithm performance when it handles the multi-objective optimization problems with large-scale variables. Experimental results show that the proposed algorithm is significantly superior to MOEA/D and other advanced algorithms on the multi-objective problems with large-scale variables.

Key words: large-scale variables, multi-objective optimization, interaction variable, grouping of variables

朱登京，段倩倩. 无参分组大规模变量的多目标算法研究[J]. 计算机工程与科学.

ZHU Deng-jing，DUAN Qian-qian.

A multi-objective optimization algorithm without

parameter grouping and with large-scale variables

[J]. Computer Engineering & Science.

[1]	罗莉, 石伟, 何鸿君, 潘国腾, 王蕾, 龚锐. 一种面向IO Die的敏捷验证方法[J]. 计算机工程与科学, 2023, 45(04): 571-576.
[2]	申晓宁, 游璇, 陈庆洲, 潘红丽, 黄遥. 采用双档案协同进化离散多目标烟花算法的低碳疫苗冷链优化配送[J]. 计算机工程与科学, 2022, 44(12): 2255-2265.
[3]	李艺辉, 刘作军, 李洁. 基于模糊逻辑NSGA-Ⅲ的开关磁阻发电机多目标优化算法[J]. 计算机工程与科学, 2021, 43(03): 542-550.
[4]	张明珠, 曹杰, 王斌. 基于精英集的多目标差分进化聚类算法[J]. 计算机工程与科学, 2021, 43(01): 170-179.
[5]	马永杰, 陈满丽, 陈敏. 基于Pareto解集分段预测策略的动态多目标进化算法[J]. 计算机工程与科学, 2020, 42(08): 1454-1462.
[6]	衡红军, 戚馨桐. 考虑任务均衡的加油车动态调度问题[J]. 计算机工程与科学, 2020, 42(05): 923-930.
[7]	赵凤1,2，孔令润1,2，马改妮1,2. 多目标粒子群和人工蜂群混合优化的阈值图像分割算法[J]. 计算机工程与科学, 2020, 42(02): 281-290.
[8]	张凤斌，范学林，席亮. 免疫入侵检测多目标优化克隆选择算法研究[J]. 计算机工程与科学, 2018, 40(02): 261-267.
[9]	李克武,张功萱,朱昭萌. 云环境中基于分解的多目标工作流调度算法[J]. 计算机工程与科学, 2016, 38(08): 1588-1594.
[10]	薛蒙蒙，马永涛，刘敬浩. 基于模拟退火粒子群算法的认知引擎研究[J]. 计算机工程与科学, 2016, 38(08): 1640-1646.
[11]	杨斌，郝杨杨，李军军. 面向监测应用的物联网节点布局方法研究[J]. J4, 2014, 36(07): 1255-1261.
[12]	李金忠,夏洁武,曾小荟,曾劲涛,刘新明,冷明,孙凌宇. 多目标模拟退火算法及其应用研究进展[J]. J4, 2013, 35(8): 77-88.
[13]	王君. 带时间窗车辆路径问题的多目标文化基因算法[J]. J4, 2013, 35(1): 124-129.
[14]	敖友云1，迟洪钦2. 多目标优化差分进化算法[J]. J4, 2011, 33(9): 88-94.
[15]	刘波涛1，李会凯2. 公交车和驾驶员集成调度算法研究[J]. J4, 2011, 33(4): 150-153.