Resumen

En los últimos años, se han propuesto varios operadores de recombinación para algoritmos evolutivos multiobjetivo (MOEAs). Un tipo de operadores de recombinación está diseñado basado en el modelo de proceso Gaussiano. Sin embargo, este enfoque solo utiliza un modelo estándar de proceso Gaussiano con varianza fija, lo cual puede no funcionar bien para resolver varios problemas de optimización multiobjetivo (MOPs). Para aliviar este problema, este artículo introduce una optimización evolutiva multiobjetivo basada en descomposición con múltiples modelos de proceso Gaussiano adaptativos, con el objetivo de proporcionar una búsqueda heurística más efectiva para varios MOPs. Para seleccionar un modelo de proceso Gaussiano más adecuado, se diseña una estrategia de selección adaptativa utilizando las mejoras de rendimiento en varios subproblemas descompuestos. De esta manera, nuestro algoritmo propuesto posee más patrones de búsqueda y es capaz de producir soluciones más diversificadas. El rendimiento de nuestro algoritmo se valida al resolver algunas instancias de prueba F, UF y WFG bien

• 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:Operadores de recombinación; Algoritmos evolutivos multiobjetivo; Modelo de proceso gaussiano; Problemas de optimización multiobjetivo; Basado en descomposición; Estrategia de selección adaptativa
• Keywords:Recombination operators; Multiobjective evolutionary algorithms; Gaussian process model; Multiobjective optimization problems; Decomposition-based; Adaptive selection strategy