Resumen

Con el fin de mantener bien la diversidad de las soluciones obtenidas, se ha diseñado un nuevo algoritmo evolutivo multiobjetivo basado en la descomposición del espacio objetivo para problemas de optimización multiobjetivo (MOPs). Para lograr el objetivo, el espacio objetivo de un MOP se descompone en un conjunto de subespacios objetivo mediante un conjunto de vectores de dirección. En el proceso evolutivo, cada subespacio objetivo tiene una solución, aunque no sea una solución óptima de Pareto. De esta manera, se puede mantener la diversidad de las soluciones obtenidas, lo cual es crucial para resolver algunos MOPs. Además, si una solución es dominada por otras soluciones, la solución puede generar más nuevas soluciones que esas soluciones, lo que hace que la solución de cada subespacio objetivo converja a las soluciones óptimas tanto como sea posible. Se han realizado estudios experimentales para comparar este algoritmo propuesto con MOEA/D clásico y NSGAII. Los resultados de simulación en seis funciones de referencia multiobjetivo muestran que el algoritmo propuesto es cap

• Materias:Modelos matemáticos Conjuntos difusos Ecuaciones integrales Fusión de características Algoritmo de optimización
• Subjects:Mathematical models Fuzzy sets Integral equations Feature fusion Optimization algorithm
• Palabras claves:Algoritmo evolutivo multiobjetivo; Descomposición; Espacio objetivo; Solución óptima de Pareto; Diversidad; Frente de Pareto
• Keywords:Multiobjective evolutionary algorithm; Decomposition; Objective space; Pareto optimal solution; Diversity; Pareto front