Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Maximum Likelihood Estimation Based on Random Subspace EDA: Application to Extrasolar Planet Detection Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Multi-Factorial Evolutionary Algorithm Based on M2M Decomposition

verfasst von : Jiajie Mo, Zhun Fan, Wenji Li, Yi Fang, Yugen You, Xinye Cai

Erschienen in: Simulated Evolution and Learning

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper proposes a decomposition-based multi-objective multi-factorial evolutionary algorithm (MFEA/D-M2M). The MFEA/D-M2M adopts the M2M approach to decompose multi-objective optimization problems into multiple constrained sub-problems for enhancing the diversity of population and convergence of sub-regions. An machine learning model augmented version is also been implemented, which utilized discriminative models for pre-selecting solutions. Experimental studies on nine multi-factorial optimization (MFO) problem sets are conducted. The experimental results demonstrated that MFEA/D-M2M outperforms the vanilla MFEA on six MFO benchmark problem sets and achieved comparable results on the other three problem sets with partial intersection of global optimal.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel On the Use of Dynamic Reference Points in HypE
Nächstes Kapitel An Efficient Local Search Algorithm for Minimum Weighted Vertex Cover on Massive Graphs
Literatur
1.
Yuan, Y., Ong, Y.-S., Feng, L., Qin, A.K., Gupta, A., Da, B., Zhang, Q., Tan, K.C., Jin, Y., Ishibuchi, H.: Evolutionary multitasking for multi-objective continuous optimization: benchmark problems, performance metrics and baseline results. Technical report, Nanyang Technological University (2016)
2.
Back, T., Hammel, U., Schwefel, H.-P.: Evolutionary computation: comments on the history and current state. IEEE Trans. Evol. Comput. 1(1), 3–17 (1997)CrossRef
3.
Gupta, A., Ong, Y.-S., Da, B., Feng, L., Handoko, S.D.: Landscape synergy in evolutionary multitasking. In: 2016 IEEE Congress on Evolutionary Computation (CEC), pp. 3076–3083, July 2016
4.
Da, B., Gupta, A., Ong, Y.-S., Feng, L.: Evolutionary multitasking across single and multi-objective formulations for improved problem solving. In: 2016 IEEE Congress on Evolutionary Computation (CEC), pp. 1695–1701. IEEE (2016)
5.
Gupta, A., Ong, Y.-S., Da, B., Feng, L., Handoko, S.D.: Landscape synergy in evolutionary multitasking. In: 2016 IEEE Congress on Evolutionary Computation (CEC), pp. 3076–3083. IEEE (2016)
6.
Gupta, A., Ong, Y.-S.: Genetic transfer or population diversification? Deciphering the secret ingredients of evolutionary multitask optimization. In: IEEE Symposium Series on Computational Intelligence (SSCI), pp. 1–7 (2016)
7.
Gupta, A., Ong, Y.-S., Feng, L.: Multifactorial evolution: toward evolutionary multitasking. IEEE Trans. Evol. Comput. 20(3), 343–357 (2016)CrossRef
8.
Gupta, A., Ong, Y.-S., Feng, L., Tan, K.C.: Multiobjective multifactorial optimization in evolutionary multitasking. IEEE Trans. Cybern. 47(7), 1652–1665 (2017)CrossRef
9.
Zhou, L., Feng, L., Zhong, J., Ong, Y.-S., Zhu, Z., Sha, E.: Evolutionary multitasking in combinatorial search spaces: a case study in capacitated vehicle routing problem. In: 2016 IEEE Symposium Series on Computational Intelligence (SSCI), pp. 1–8. IEEE (2016)
10.
Deb, K., Pratap, A., Agarwal, S., Meyarivan, T.A.M.T.: A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans. Evol. Comput. 6(2), 182–197 (2002)CrossRef
11.
Ong, Y.-S., Gupta, A.: Evolutionary multitasking: a computer science view of cognitive multitasking. Cogn. Comput. 8(2), 125–142 (2016)CrossRef
12.
Agrawal, R.B., Deb, K., Agrawal, R.B.: Simulated binary crossover for continuous search space. Complex Syst. 9(2), 115–148 (1995)MathSciNetMATH
13.
Liu, H.-L., Gu, F., Zhang, Q.: Decomposition of a multiobjective optimization problem into a number of simple multiobjective subproblems. IEEE Trans. Evol. Comput. 18(3), 450–455 (2014)CrossRef
14.
Lin, X., Zhang, Q., Kwong, S.: A decomposition based multiobjective evolutionary algorithm with classification. In: 2016 IEEE Congress on Evolutionary Computation (CEC), pp. 3292–3299. IEEE (2016)
15.
Da, B., Ong, Y.-S., Feng, L., Qin, A.K., Gupta, A., Zhu, Z., Ting, C.-K., Tang, K., Yao, X.: Evolutionary multitasking for single-objective continuous optimization: benchmark problems, performance metric, and baseline results. Nanyang Technological University, Singapore, Technical report (2016)
16.
Van Veldhuizen, D.A., Lamont, G.B.: Multiobjective evolutionary algorithm research: a history and analysis. Technical report, Citeseer (1998)
Metadaten
Titel
Multi-Factorial Evolutionary Algorithm Based on M2M Decomposition
verfasst von
Jiajie Mo
Zhun Fan
Wenji Li
Yi Fang
Yugen You
Xinye Cai
Copyright-Jahr
2017
Buch
Simulated Evolution and Learning

Print ISBN: 978-3-319-68758-2

Electronic ISBN: 978-3-319-68759-9

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-68759-9_12