Resumen

Para mejorar la convergencia y la distribución de un algoritmo evolutivo multiobjetivo, este trabajo propone un algoritmo NSGA-III mejorado basado en el ajuste del vector de pesos (denominado NSGA-III-WA). En primer lugar, se propone una estrategia de ajuste del vector de peso adaptativo para descomponer el espacio objetivo en varios subespacios. Según las diferentes densidades de los subespacios, el vector de pesos se ajusta de forma dispersa o densa para garantizar la uniformidad de la distribución del vector de pesos en la superficie del frente de Pareto. En segundo lugar, se propone un modelo evolutivo que combina la nueva estrategia de evolución diferencial y la estrategia de evolución genética para generar nuevos individuos y mejorar la capacidad de exploración del vector de pesos en cada subespacio. El algoritmo propuesto se prueba en el problema de optimización de 3-15 objetivos en el conjunto de pruebas estándar DTLZ y en las instancias de prueba WFG, y se compara con los cinco algoritmos con mejor efecto. En este trabajo, se utiliza la prueba de suma de rangos de Whitney-Wilcoxon para comprobar la importancia del algoritmo. Los resultados experimentales muestran que el NSGA-III-WA tiene un buen efecto en términos de convergencia y distribución.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:ajuste del vector de peso, estrategia de evolución genética, conjunto de pruebas estándar, términos de convergencia, estrategia de evolución diferencial, distribución del vector de peso, superficie del frente de pareto, instancia de prueba wfg, algoritmo, densidad de subespacio diferente
• Keywords:weight vector adjustment, genetic evolution strategy, standard test set, terms of convergence, differential evolution strategy, weight vector distribution, pareto front surface, wfg test instance, algorithm, different subspace density