Resumen

En problemas de optimización multimodal multiobjetivo (MMOPs), se deben reservar múltiples conjuntos óptimos de Pareto, incluso algunos buenos conjuntos óptimos locales de Pareto, lo que puede proporcionar más opciones para los tomadores de decisiones. Para resolver MMOPs, este artículo propone un algoritmo evolutivo con estrategia de selección asistida basada en agrupamiento para la optimización multimodal multiobjetivo, en el cual se proponen el operador de adición y el operador de eliminación para considerar de manera integral la diversidad tanto en los espacios de decisión como en los objetivos. Específicamente, en el espacio de decisión, la población unión se divide en múltiples agrupaciones utilizando un método de agrupamiento basado en densidad, con el objetivo de ayudar al operador de adición a fortalecer la diversidad de la población. Luego, se adopta una serie de vectores de peso para dividir la población en subregiones en el espacio objetivo (tamaño de la población). Además, en el operador de eliminación, las sol

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Optimización multiobjetivo; Algoritmo evolutivo; Estrategia de selección basada en agrupamiento; Conjuntos óptimos de Pareto; Diversidad; Multimodal
• Keywords:Multiobjective optimization; Evolutionary algorithm; Clustering-based selection strategy; Pareto optimal sets; Diversity; Multimodal