Push and pull search for solving constrained multi-objective optimization problems

1.摘要

本文提出了一种求解约束多目标优化问题的推拉搜索(PPS)框架。所提出的PPS将搜索过程分为两个不同的阶段：推和拉搜索阶段。 在推送阶段，采用多目标进化算法(MOEA)在不考虑任何约束的情况下探索搜索空间，这可以帮助非常快地跨越不可行的区域，并接近无约束的帕累托前沿。 此外，还可以在推送阶段对具有约束的CMOP的约束情况进行探测和估计，用于对在拉阶段中应用的约束处理方法进行参数设置。 然后，采用epsilon约束处理的约束多目标进化算法(CMOEA)的改进形式，将在推送阶段实现的不可行个体拉到可行和非支配区域。
为了评估收敛性和多样性的性能，使用了一组基准CMOP和一个现实世界的优化问题来测试拟议的PPS(PPS-MOEA/D)和最先进的CMOEA，包括MOEA/D-IEpsilon、MOEA/D-Epsilon、MOEA/D-CDP、MOEA/D-SR、C-MOEA/D和NSGA-II-CDP。 综合实验结果表明，所提出的PPS-MOEA/D在大多数测试问题上比其他六个CMOEA获得了显著的更好的性能，这表明了所提出的PPS方法在解决CMOPs方面的优越性。

2.比较论文

MOEA/D-IEpsilon ：An Improved Epsilon Constraint-handling Method in MOEA/D for Cmops with Large Infeasible Regions
MOEA/D-Epsilon ： Epsilon Constrained Method for Constrained Multiobjective Optimization Problems - Some Preliminary Results
MOEA/D-CDP ： A study of two penalty-parameterless constraint handling techniques in the framework of MOEA/D
C-MOEA/D ： An adaptive constraint handling approach embedded MOEA/D
NSGA-II-CDP ： A fast and elitist multiobjective genetic algorithm: NSGA-II

3.基准函数

LIR-CMOP1-14 : An Improved Epsilon Constraint-handling Method in MOEA/D for Cmops with Large Infeasible Regions

4.具体算法

未完待续，想要这部分内容可以留言。