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
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Soft Computing
Erschienen in: Soft Computing 1/2015

01.01.2015 | Methodologies and Application

Multiobjective evolutionary algorithm based on decomposition for 3-objective optimization problems with objectives in different scales

verfasst von: Álvaro Rubio-Largo, Qingfu Zhang, Miguel A. Vega-Rodríguez

Erschienen in: Soft Computing | Ausgabe 1/2015

Einloggen

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

search-config
loading …

Abstract

In Multiobjective Optimization problems the objective functions may have different scales, which leads to a neglecting of one or more objective functions. The most common-used way in the literature to solve this drawback is to normalize the objective space; however, a set of uniformly distributed solutions in the normalized objective space may not be uniformly distributed in the original objective space with more than two objective functions. In this work, we present an improved version of the Multiobjective Evolutionary Algorithm based on Decomposition (MOEA/D) which incorporates a new aggregation technique based on the Normal Boundary Intersection approach and the Tchebycheff approach (MOEA/D-NBI) for solving 3-objective optimization problems with different scales of objectives.
Vorheriger Artikel Mesoscopic forecasting of vehicular consumption using neural networks
Nächster Artikel A polynomial based algorithm for detection of embolism

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 "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

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
Literatur
Das I, Dennis JE (1998) Normal-boundary intersection: a new method for generating the pareto surface in nonlinear multicriteria optimization problems. SIAM J Optim 8(3):631–657CrossRefMATHMathSciNet
Deb K (2001) Multi-Objective Optimization Using Evolutionary Algorithms. Wiley, New York
Deb K, Pratap A, Agarwal S, Meyarivan T (2000) A fast elitist multi-objective genetic algorithm: NSGA-II. IEEE Trans Evol Comput 6:182–197
Deb K, Thiele L, Laumanns M, Zitzler E (2001) Scalable test problems for evolutionary multi-objective optimization. Tech. rep., Computer Engineering and Networks Laboratory (TIK), Swiss Federal Institute of Technology (ETH)
Hancock B, Mattson C (2013) The smart normal constraint method for directly generating a smart pareto set. Struct Multidiscipl Optim 48(4):763–775CrossRefMathSciNet
Herrero JM, Reynoso-Meza G, Martínez M, Blasco X, Sanchis J (2014) A smart-distributed pareto front using ev-moga evolutionary algorithm. Int J Artif Intell Tools. doi:10.​1142/​S021821301450002​X
Knowles JD, Corne D (2000) Approximating the nondominated front using the pareto archived evolution strategy. Evolut Comput 8(2):149–172CrossRef
Li H, Zhang Q (2009) Multiobjective optimization problems with complicated pareto sets, MOEA/D and NSGA-II. IEEE Trans Evolut Comput 13(2):284–302CrossRef
Mattson CA, Mullur AA, Messac A (2004) Smart Pareto filter: obtaining a minimal representation of multiobjective design space. Eng Optim 36(6):721–740CrossRefMathSciNet
Miettinen K (1999) Nonlinear multiobjective optimization. In: International series in operations research and management science, vol 12. Kluwer Academic Publishers, Dordrecht
Zhang Q, Li H, Maringer D, Tsang E (2010) MOEA/D with NBI-style Tchebycheff approach for portfolio management. IEEE Cong Evolut Comput (CEC), pp 1–8
Zhang Q, Zhou A, Zhao S, Suganthan PN, Liu W, Tiwari S (2008) Multiobjective optimization test instances for the congress on evolutionary computation (CEC’09) 2009 special session and competition. Working report, CES-887, School of Computer Science and Electrical Engineering, University of Essex
Zitzler E, Laumanns M, Thiele L (2002) SPEA2: Improving the strength pareto evolutionary algorithm. In: Proceedings of evolutionary methods for design, optimization, and control with applications to industrial problems (EUROGEN’02), pp 95–100
Zitzler E, Thiele L, Laumanns M, Fonseca C, da Fonseca V (2003) Performance assessment of multiobjective optimizers: an analysis and review. IEEE Trans Evolut Comput 7(2):117–132CrossRef
Metadaten
Titel
Multiobjective evolutionary algorithm based on decomposition for 3-objective optimization problems with objectives in different scales
verfasst von
Álvaro Rubio-Largo
Qingfu Zhang
Miguel A. Vega-Rodríguez
Publikationsdatum
01.01.2015
Verlag
Springer Berlin Heidelberg
Erschienen in
Soft Computing / Ausgabe 1/2015
Print ISSN: 1432-7643
Elektronische ISSN: 1433-7479
DOI
https://doi.org/10.1007/s00500-014-1239-3

Weitere Artikel der Ausgabe 1/2015

Soft Computing 1/2015 Zur Ausgabe

Methodologies and Application

Fuzzy stochastic ordering for C-Fuzzy random variables and its applications

Focus

NestDE: generic parameters tuning for automatic story segmentation

Methodologies and Application

Hypothesis testing for the mean of inverse Gaussian distribution using $$\alpha $$ α -cuts

Focus

Learning topic of dynamic scene using belief propagation and weighted visual words approach

Editorial

Topic modeling in multimedia: algorithms and applications

Focus

Topic segmentation on spoken documents using self-validated acoustic cuts

Premium Partner

    Bildnachweise