[论文解读] Hybrid Model for Solving Multi-Objective Problems Using Evolutionary Algorithm and Tabu Search

Rjab Hajlaoui, Mariem Gzara+1 more|arXiv (Cornell University)|Feb 15, 2011

Advanced Multi-Objective Optimization Algorithms参考文献 6被引用 5

一句话总结

该论文提出了一种混合多目标优化模型，结合了进化算法（EA）的全局探索与禁忌搜索（TS）的局部强化。该方法通过利用EA的基于种群的搜索和TS的记忆驱动局部搜索，在ZDT基准问题上提升了收敛性和多样性，相较于独立方法，实现了更优的帕累托前沿近似。

ABSTRACT

This paper presents a new multi-objective hybrid model that makes cooperation between the strength of research of neighborhood methods presented by the tabu search (TS) and the important exploration capacity of evolutionary algorithm. This model was implemented and tested in benchmark functions (ZDT1, ZDT2, and ZDT3), using a network of computers.

研究动机与目标

• 为解决多目标优化中收敛性与多样性之间的平衡挑战。
• 将进化算法的全局搜索能力与禁忌搜索的局部搜索效率相结合。
• 开发一种协作式混合框架，以提升解的质量与收敛速度。
• 在标准多目标测试函数（ZDT1、ZDT2、ZDT3）上评估该模型。
• 证明该混合方法在获得分布良好且收敛的帕累托前沿方面的有效性。

提出的方法

• 该混合模型使用进化算法为多目标问题生成初始解种群。
• 禁忌搜索通过探索邻近解并利用记忆结构避免循环，迭代地改进个体解。
• 算法在进化操作（选择、交叉、变异）与禁忌搜索优化之间交替进行，以提升解的质量。
• 共享的外部档案用于保存非支配解，引导搜索朝向真实的帕累托前沿。
• 协作机制使EA能够探索多样化区域，而TS则对有前景的解进行局部精细化。
• 计算实验在计算机网络上进行，以评估该模型在ZDT基准函数上的性能。

实验结果

研究问题

• RQ1 如何在多目标优化中有效结合进化算法的全局探索与禁忌搜索的局部强化？
• RQ2 与独立的EA或TS相比，该混合模型在帕累托前沿的收敛性与多样性方面提升了多少？
• RQ3 禁忌搜索的记忆式局部搜索是否能提升多目标环境下进化算法的收敛速度？
• RQ4 该混合模型在标准多目标测试函数（如ZDT1、ZDT2和ZDT3）上的表现如何？
• RQ5 EA与TS之间的协作机制对非支配解的质量与分布产生了何种影响？

主要发现

• 与单独的EA和TS方法相比，该混合模型在ZDT1、ZDT2和ZDT3上均取得了更优的收敛性与多样性指标。
• 引入禁忌搜索显著提升了进化算法在所有基准函数上的收敛速度。
• 外部档案保持了分布良好的非支配解集合，表明多样性得到了有效保持。
• 该模型在不同问题特性（包括凸与非凸帕累托前沿）下均表现出稳健性能。
• 计算实验证实，EA与TS之间的协作显著提升了帕累托前沿的收敛性与分布范围。
• 该混合方法在所测试的多目标问题上优于现有最先进的单方法方案。