Resumen

El problema de optimización multiobjetivo (MOP) es un tema importante y desafiante en los campos del diseño industrial y la investigación científica. El algoritmo evolutivo multiobjetivo (MOEA) ha demostrado ser uno de los algoritmos más eficientes para resolver la optimización multiobjetivo. En este artículo, proponemos un algoritmo evolutivo multiobjetivo basado en entropía con un mecanismo elite mejorado (E-MOEA), que mejora de manera efectiva la convergencia y diversidad del conjunto de soluciones en MOPs. En este algoritmo, se aplica un mecanismo elite mejorado para guiar la dirección de la evolución de la población. Específicamente, acelera a la población para acercarse a la verdadera frontera de Pareto en la etapa temprana del proceso evolutivo. Se utiliza una estrategia basada en entropía para mantener la diversidad de la población cuando esta está cerca de la frontera de Pareto. El algoritmo propuesto se ejecuta en problemas de prueba ampliamente utilizados, y los resultados simul

• Materias:Máquina de vectores Marco neuronal híbrido Base de datos Inteligencia neuronal Sintonización de controladores
• Subjects:Vector machine Hybrid neural framework Database Neural intelligence Controller tuning
• Palabras claves:Problema de optimización multiobjetivo; Algoritmo evolutivo multiobjetivo; Basado en entropía; Mecanismo de élite mejorado; Convergencia; Diversidad
• Keywords:Multiobjective optimization problem; Multi-objective evolutionary algorithm; Entropy-based; Enhanced elite mechanism; Convergence; Diversity