A Many-Objective Evolutionary Algorithm with Two Interacting Processes: Cascade Clustering and Reference Point Incremental Learning

Les recherches ont montré des difficultés pour obtenir la proximité tout en maintenant la diversité pour résoudre des problèmes d’optimisation à objectifs multiples (MaOP). Les complexités du vrai front de Pareto (PF) posent de sérieux problèmes aux algorithmes basés sur les vecteurs de référence en raison de leur capacité d’adaptation insuffisante aux caractéristiques du vrai PF sans aucune priorité. Cet article propose un algorithme d’optimisation à plusieurs objectifs avec deux processus en interaction: le regroupement en cascade et l’apprentissage incrémental de points de références (CLIA). Dans le processus de sélection de la population basé sur le regroupement en cascade, en utilisant les vecteurs de référence fournis par le processus d’apprentissage incrémental, les individus non dominés et dominés sont regroupés et triés de différentes manières dans un style en cascade et sont sélectionnés par «round-robin» pour une meilleure proximité et diversité. Dans le processus d’adaptation du vecteur de référence basé sur l’apprentissage incrémental des points de référence, en utilisant les retours du processus de regroupement, la distribution appropriée des points de référence est obtenue progressivement par apprentissage incrémental et les vecteurs de référence sont repositionnés en conséquence. Les avantages de CLIA résident non seulement dans ses performances efficaces, mais également dans sa polyvalence permettant de traiter les différentes caractéristiques du véritable FP, en utilisant uniquement les interactions entre les deux processus sans subir d’évaluations supplémentaires. Les études expérimentales menées sur de nombreux problèmes de référence montrent que CLIA est compétitif, efficace et polyvalent par rapport aux algorithmes de pointe.