Resumen

Recientemente, los algoritmos evolutivos multiobjetivo basados en descomposición han tenido buen rendimiento en el campo de los problemas de optimización multiobjetivo (MOPs) y han captado la atención de muchos académicos. Generalmente, un MOP se descompone en varios subproblemas a través de un conjunto de vectores de peso con buenas funciones uniformes y de agregación. El papel principal de los vectores de peso es garantizar la diversidad y convergencia de las soluciones obtenidas. Sin embargo, estos algoritmos con uniformidad de vectores de peso no pueden obtener un conjunto de soluciones con buena diversidad en algunos MOPs con frentes óptimos de Pareto (PFs) complejos (es decir, PFs con un pico pronunciado, cola baja o PFs discontinuos). Para hacer frente a este problema, se propone un algoritmo evolutivo multiobjetivo basado en descomposición mejorado con ajuste adaptativo de pesos (IMOEA/DA). En primer lugar, se utiliza un nuevo método basado en diseño uniforme y distancia de agrupamiento para generar un conjunto

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Multiobjetivo; Algoritmos evolutivos; Basados en descomposición; Vectores de peso; Frentes óptimos de Pareto; Ajuste adaptativo de pesos
• Keywords:Multiobjective; Evolutionary algorithms; Decomposition-based; Weight vectors; Pareto optimal fronts; Adaptive weight adjustment