公开(公告)号：CN117236424A

公开(公告)日：2023-12-15

申请号：CN202311211734.X

申请日：2023-09-19

Applicant: 桂林电子科技大学

Inventor： 李笠 ,  张晓华

IPC: G06N3/126 ,  G06F30/27 ,  G06F111/06

Abstract: 近几年，提出了尝试估计Pareto前沿来引导搜索方向。例如基于模型的MOEA和估计ParetoFront的形状。仍然，很少有工作致力于研究局部PF形状。本发明提出了一种新的基于局部Pareto凹凸性的识别算法LPFE_M，它通过局部的方式估计整体几何的凹凸信息。首先，利用一组均匀分布的权重向量将目标空间划分为独立的子区域。再结合最小曼哈顿距离算法，找到几个关键的解决方案。选取每个子区域的最大曲率信息，如图1所示，设计了一种自适应函数来指导搜索方向。最后，在WFG测试集上对MOEA/D‑M2M、MOEA/D、MOEA/D‑Pas、NSGAII、PeEA和oneByoneEA等常用MOEA算法进行比较。发现它们在WFG测试集上的性能有很大的差异，证明了本发明基于局部Pareto凹凸性的识别算法LPFE_M的有效性。

公开(公告)号：CN117236425A

公开(公告)日：2023-12-15

申请号：CN202311212159.5

申请日：2023-09-19

Applicant: 桂林电子科技大学

Inventor： 李笠 ,  张晓华

IPC: G06N3/126 ,  G06F30/27 ,  G06F111/06

Abstract: 近年来，进化多目标优化(Evolutionary multi‑objective optimization,EMO)的研究主要集中在搜索一组均匀分布的Pareto最优解。为了搜索Pareto最优解，大多数算法通常需要在进化过程中维持较大的种群规模。然而，这不仅需要大量的计算资源，同时也增加了决策者(Decision makers,DMs)的选择压力。因此，从大量折衷解中识别出DMs感兴趣的解成为当下急需解决的问题。结合拐点(Knee)在一个目标值上微小提升将导致至少一个目标值显著恶化这一特性，没有任何偏好信息时，通常选择拐点作为DMs最优解。如图6所示，本发明提出一种基于多准则的拐点识别策略模型，利用最小曼哈顿距离(Minimum Manhattan distance，MMD)和基于期望边际效用(Expected marginal utility，EMU)的算法的优势，快速地识别全局最优拐点和局部凸性拐点。在大量的测试实例上与五种最先进的Knee识别策略进行了比较，实验证明本发明所提出的算法具有更加显著优势。