来自自然的并行问题解决方法

文摘:使用非支配排序和共享的多目标进化算法主要因其(i) O(MN3)计算复杂性(其中M是目标数量，N是种群规模)，(ii)非精英方法，以及(iii)需要指定共享参数而受到批评。在本文中，我们提出了一种基于非支配排序的多目标进化算法(我们称之为非支配排序GA-II或NSGA-II)，它缓解了上述三个困难。提出了一种计算复杂度为O(MN2)的快速非支配排序方法。其次，提出了一个选择算子，通过结合父母和孩子种群并选择最佳(关于适应度和传播)N解来创建一个交配池。对5个困难测试问题的仿真结果表明，在大多数问题中，与PAES和SPEA相比，所提出的NSGA-II能够在真正的帕累托最优前沿附近找到更好的解的扩散和更好的收敛性。PAES和SPEA是另外两个特别注重创建多样化帕累托最优前沿的精英多目标EAs。由于NSGA-II的低计算需求、精英方法和无参数共享方法，NSGA-II在未来几年应该会得到越来越多的应用。

文摘:自1985年以来，已经开发了各种进化的多目标优化方法，能够在一次运行中同时搜索多个解决方案。但迄今为止对不同方法的少数比较研究大多是定性的，局限于两种方法。在这篇论文中，一个广泛的，定量的比较，提出了应用四个多目标进化算法扩展0/1背包问题。

文摘:本文讨论了如何在一般情况下将决策者的偏好信息集成到多目标搜索中。主要思想是首先根据二进制性能度量(指标)定义优化目标，然后在选择过程中直接使用该度量。为此，我们提出了一种通用的基于指标的进化算法(IBEA)，它可以与任意指标相结合。与现有算法相比，IBEA可以适应用户的偏好，而且不需要使用任何额外的多样性保存机制，如适应度共享。在几个连续和离散的基准测试问题上，IBEA可以在不同的性能度量方面显著改善由两种流行算法NSGA-II和SPEA2生成的结果。

文摘:提出了合作物种共同进化的一般模型。该模型在函数优化领域进行了实例化和测试，并与传统的基于ga的函数优化器进行了比较。结果在两个方面令人鼓舞。他们提出了改进GA和其他基于ea的优化器的性能的方法，并提出了一种新的方法来进化复杂的结构，如神经网络和规则集。

文摘:育种遗传算法(BGA)是建立在选择反应方程的基础上的。为了使用这个方程进行预测，必须估计总体适应度的方差。对于通常的性别重组来说，计算起来可能很困难。本文简要阐述了这一问题，并对性重组的几种修饰进行了研究。第一种方法是基因库重组，这导致了边际分布算法。在本文的最后一部分，我们讨论了更复杂的方法，基于估计有希望点的分布。