[论文解读] A Review on Constraint Handling Techniques for Population-based Algorithms: from single-objective to multi-objective optimization

Iman Rahimi, Amir H. Gandomi+2 more|arXiv (Cornell University)|Jun 28, 2022

Metaheuristic Optimization Algorithms Research被引用 7

一句话总结

本文全面回顾了2000年至2020年间基于群体的优化算法中约束处理技术的研究，涵盖单目标与多目标问题。研究识别出遗传算法、差分进化和粒子群优化是效果最显著的方法，同时指出了多目标约束优化领域相较于单目标约束优化存在显著的研究空白。

ABSTRACT

This presented study provides a novel analysis of scholarly literature on constraint handling techniques for single-objective and multi-objective population-based algorithms according to the most relevant journals, keywords, authors, and articles. The paper reviews the main ideas of the most state-of-the-art constraint handling techniques in multi-objective population-based optimization, and then the study addresses the bibliometric analysis in the field. The extracted papers include research articles, reviews, book/book chapters, and conference papers published between 2000 and 2020 for the analysis. The results indicate that the constraint handling techniques for multi-objective optimization have received much less attention compared with single-objective optimization. The most promising algorithms for such optimization were determined to be genetic algorithms, differential evolutionary algorithms, and particle swarm intelligence.

研究动机与目标

• 分析基于群体的优化算法在单目标与多目标问题中约束处理技术的最新研究进展。
• 识别2000年至2020年间约束优化研究中最常使用的算法与技术。
• 对本领域的学术文献进行书目计量分析，以评估研究趋势与研究空白。
• 评估遗传算法、差分进化和粒子群优化在约束多目标优化中的性能与适用性。
• 突出当前文献中多目标约束优化相较于单目标方法的代表性不足问题。

提出的方法

• 对2000年至2020年间发表的研究论文、综述、书籍章节和会议论文进行了系统性文献回顾。
• 利用关键词、作者、期刊和引用数据进行书目计量分析，以描绘研究趋势与贡献。
• 将约束处理技术分类为惩罚函数、可行性规则、修复方法以及多目标专用策略等类别。
• 评估基于群体的算法（特别是遗传算法、差分进化和粒子群优化）在处理约束方面的性能与受欢迎程度。
• 分析约束处理技术在单目标与多目标优化情境下的频率与分布情况。
• 使用统计与可视化工具识别该领域的研究集群、有影响力的作者及出版趋势。

实验结果

研究问题

• RQ1 在单目标与多目标基于群体的优化算法中，最普遍使用的约束处理技术是什么？
• RQ2 2000年至2020年间，基于群体的优化算法中约束处理的研究重点如何演变？
• RQ3 哪些基于群体的算法在约束多目标优化中表现出最高有效性和受欢迎程度？
• RQ4 文献中对单目标与多目标约束优化的研究关注度有何相对差异？
• RQ5 当前基于群体的多目标优化中，约束处理方面存在哪些关键研究空白与挑战？

主要发现

• 与单目标优化相比，多目标优化中的约束处理技术受到的研究关注显著较少。
• 遗传算法、差分进化和粒子群优化是约束多目标优化中最突出且前景最好的算法。
• 在所审查的文献中，最常使用的约束处理策略为惩罚函数、可行性规则和修复方法。
• 书目计量分析揭示了多目标约束优化领域存在明显的研究空白，该子领域高影响力论文较少，引用密度也较低。
• 识别出该领域最具影响力的期刊与作者，研究集中于优化与控制领域。
• 本研究证实，尽管单目标约束优化已发展成熟并衍生出多样化技术，但多目标约束优化仍处于研究不足与开发不充分的状态。