參數調整機制於多目標演化式演算法之效能剖析

A numerical study on parameter control mechanisms in MOEA/D-AMS

林裕傑

指導教授 ： 蔣宗哲

國立臺灣師範大學/理學院/資訊工程研究所/碩士(2012年)

摘要

在現實生活中，我們常常需要解決一些具有多個目標需要考量的問題，並且這些目標通常是互相衝突的，這些問題稱為多目標問題，而多目標最佳化問題的目標便是找出能最佳化這些目標的解集合。演化式演算法 (evolutionary algorithm) 是求解這類問題的常見演算法，其概念為利用族群演化的方式來尋找最佳解集合。MOEA/D 為其中一種知名的演算法，利用將多目標問題拆成單目標來求解的作法可以獲得良好的結果，而 MOEA/D-AMS 與 MOEA/D-APC 便是以該演算法為基礎所改良，其中 MOEA/D-APC 參考了差分演化 (differential evolution) 產生子代的作法，該演算法擁有兩個控制參數 F 與 CR，這兩個參數值是影響子代品質的關鍵，因此 MOEA/D-APC 加入了讓參數隨演化過程調整的機制，經過實驗證明效能有所改善，但仍然在少部分問題上輸給其他的DE演算法。
本論文挑出八個具有不同參數調整機制的DE演算法，利用 MOEA/D-AMS為主體分別結合這八種演算法與 MOEA/D-APC 的參數調整機制，藉由對17個測試問題進行實驗與分析，討論不同調整機制對效能的影響，並將主要目標放在探討 MOEA/D-APC 的弱項及改進方案上。

關鍵字

多目標最佳化問題 ； 演化式演算法 ； 差分演化 ； 參數調整機制

參考文獻

Q. Zhang, H. Li,“MOEA/D: A Multiobjective Evolutionary AlgorithmBased on Decomposition”IEEE Transactions on Evolutionary Computation, Vol. 11, No. 6, 2007.

Z. Yang, X. Yao, J. He, “Making a Difference to Differential Evolution,” Advance in Metaheuristics for Hard Optimization, Vol. 1, pp. 397– 414, 2008.

J. Brest, S. Greiner, B. Boskovic, M. Mernik, V. Zumer, “Self-Adapting Control Parameters in Differential Evolution: A Comparative Study on Numerical Benchmark Problems,” IEEE Transactions on Evolutionary Computation, Vol. 10, No. 6, pp. 646–657, 2006.

Q. Pan, P.N. Suganthan, L. Wang, L. Gao, R. Mallipeddi, “A Differential Evolution Algorithm with Self-adapting Strategy and Control Parameters,” Computers & Operations Research, Vol. 38, No. 1, pp. 394–408, 2011.

A.K. Qin, P.N. Suganthan, “Self-adaptive Differential Evolution Algorithm for Numerical Optimization,” IEEE Congress on Evolutionary Computation, Vol. 2, pp. 1785–1791, 2005.