Сильный масштабируемый по Парето алгоритм

Сложность
Средний 50%

Масштабируемый сильный алгоритм Парето SPEA

Цель сильного эволюционного алгоритма Парето SPEA состоит в том, чтобы найти и поддерживать фронт недоминируемых решений, в идеале набор оптимальных по Парето решений. Это достигается за счет использования эволюционного процесса (с суррогатными процедурами генетической рекомбинации и мутации) для исследования пространства поиска и процесса выбора, в котором используется комбинация степени доминирования решения-кандидата (сильная) и оценка плотности фронта Парето. как назначенный фитнес.

Архив недоминируемого набора хранится отдельно от совокупности решений-кандидатов, используемых в эволюционном процессе, что обеспечивает форму элитарности.

Сильный масштабируемый по Парето алгоритм SPEA

Вот функции сильного масштабируемого по Парето алгоритма SPEA.

Функция CalculateRawFitness вычисляет необработанную пригодность как сумму значений силы решений, которые доминируют над данным кандидатом, где сила — это количество решений, над которыми доминирует данное решение. Функция CandidateDensity оценивает плотность площади фронта Парето как 1/(o^k + 2), где o^k — евклидово расстояние целевых значений между заданным решением, k-м ближайшим соседом решения , а k — квадратный корень из общей совокупности и размера архива.

Функция PopulateWithRemainingBest итеративно заполняет архив оставшимися решениями-кандидатами в порядке пригодности. Функция RemoveMostSimilar усекает заполнение архива, удаляя элементы с наименьшими значениями o^k, рассчитанными относительно архива.

Функция SelectParents выбирает родителей популяции, используя метод выборагенетический алгоритм таких как выбор бинарных турниров. Функция CrossoverAndMutation выполняет операторы скрещивания и мутации генетического алгоритма.

Алгоритм SPEA с сильным масштабированием по Парето был разработан и адаптирован к случаям комбинаторных многокритериальных задач оптимизации с непрерывными функциями. Двоичное представление может использоваться для задач оптимизации непрерывных функций в сочетании с классическими генетическими операторами, такими как одноточечный кроссовер и точечная мутация. Значение k, равное 1, можно использовать для повышения эффективности, при этом обеспечивая полученные результаты полезный. Размер архива обычно меньше размера популяции.

Делиться
ru_RURU