Resumen

Los algoritmos evolutivos basados en hipervolumen han demostrado un buen rendimiento para resolver problemas de optimización con muchos objetivos. Sin embargo, el hipervolumen requiere un esfuerzo computacional prohibitivamente caro. Este artículo propone un método simplificado de cálculo de hipervolumen que se puede utilizar para evaluar aproximadamente la convergencia y diversidad de las soluciones. La idea principal es utilizar los vecinos más cercanos de una solución particular para calcular el volumen como el valor de hipervolumen de las soluciones. Además, este artículo mejora el operador de selección y la estrategia de actualización de la población externa de acuerdo con el hipervolumen simplificado. Luego, se compara el algoritmo propuesto (SHEA) con algunos algoritmos de vanguardia en quince funciones de prueba de la competencia MaOP CEC2018, y los resultados experimentales demuestran la viabilidad del algoritmo propuesto.

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Algoritmos evolutivos; Hipervolumen; Problemas de optimización; Esfuerzo computacional; Convergencia; Diversidad
• Keywords:Evolutionary algorithms; Hypervolume; Optimization problems; Computational effort; Convergence; Diversity