Decomposition is a basic strategy i

Decomposition is a basic strategy in traditional multiobjective
optimization. However, it has not yet been widely used
in multiobjective evolutionary optimization. This paper proposes
a multiobjective evolutionary algorithm based on decomposition
(MOEA/D). It decomposes a multiobjective optimization problem
into a number of scalar optimization subproblems and optimizes
them simultaneously. Each subproblem is optimized by only
using information from its several neighboring subproblems,
which makes MOEA/D have lower computational complexity at
each generation than MOGLS and nondominated sorting genetic
algorithm II (NSGA-II). Experimental results have demonstrated
that MOEA/D with simple decomposition methods outperforms
or performs similarly to MOGLS and NSGA-II on multiobjective
0–1 knapsack problems and continuous multiobjective optimization
problems. It has been shown that MOEA/D using objective
normalization can deal with disparately-scaled objectives, and
MOEA/D with an advanced decomposition method can generate
a set of very evenly distributed solutions for 3-objective test
instances. The ability of MOEA/D with small population, the scalability
and sensitivity of MOEA/D have also been experimentally
investigated in this paper.

Kết quả (Việt) 1:

Decomposition là một chiến lược cơ bản trong truyền thống multiobjectivetối ưu hóa. Tuy nhiên, nó đã không được nêu ra được rộng rãi được sử dụngtối ưu hóa tiến hóa multiobjective. Giấy đề nghịmột thuật toán tiến hóa multiobjective dựa trên phân tích(MOEA/D). Nó phân hủy một vấn đề tối ưu hóa multiobjectivethành một lượng vô hướng tối ưu hóa bài và tối ưu hóachúng cùng một lúc. Mỗi subproblem tối ưu hóa bởi chỉsử dụng thông tin từ các bài nhiều lân cận,mà làm cho MOEA/D có độ phức tạp tính toán thấp hơn tạimỗi thế hệ so với MOGLS và nondominated sàng lọc di truyềnthuật toán II (NSGA II). Kết quả thực nghiệm đã chứng minhrằng MOEA/D với phương pháp đơn giản phân hủy nhanh hơn so vớihoặc thực hiện tương tự như MOGLS và NSGA-II multiobjective0-1 vấn đề knapsack và liên tục tối ưu hóa multiobjectivevấn đề. Nó đã cho thấy rằng MOEA/D bằng cách sử dụng mục tiêubình thường có thể đối phó với các mục tiêu disparately thu nhỏ, vàMOEA/D với một phương pháp tiên tiến phân hủy có thể tạo ramột tập hợp của các giải pháp phân phối rất đồng đều cho 3 mục tiêu thử nghiệmtrường hợp. Khả năng của MOEA/D với dân nhỏ, khả năng mở rộngvà sự nhạy cảm của MOEA/D cũng đã thử nghiệmđiều tra trong bài báo này.

Kết quả (Việt) 2:

Phân hủy là một chiến lược cơ bản trong multiobjective truyền thống
tối ưu hóa. Tuy nhiên, nó vẫn chưa được sử dụng rộng rãi
trong tối ưu hóa tiến hóa multiobjective. Bài viết này đề xuất
một thuật toán tiến hóa multiobjective dựa trên phân hủy
(MOEA / D). Nó phân hủy một vấn đề tối ưu hóa multiobjective
vào một số bài toán tối ưu hóa vô hướng và tối ưu hóa
chúng cùng một lúc. Mỗi bài toán con được tối ưu hóa bằng cách chỉ
sử dụng thông tin từ một số bài toán láng giềng của nó,
mà làm cho MOEA / D có độ phức tạp tính toán thấp hơn ở
mỗi thế hệ hơn MOGLS và nondominated phân loại di truyền
thuật toán II (NSGA-II). Kết quả thí nghiệm đã chứng minh
rằng MOEA / D với các phương pháp phân hủy đơn giản làm việc tốt hơn
hoặc thực hiện giống như MOGLS và NSGA-II trên multiobjective
0-1 bài toán xếp ba lô và tối ưu hóa multiobjective liên tục
vấn đề. Nó đã được chứng minh rằng MOEA / D sử dụng mục tiêu
bình thường có thể đối phó với các mục tiêu disparately quy mô, và
MOEA / D với một phương pháp phân hủy nâng cao có thể tạo ra
một tập hợp các giải pháp phân bố rất đồng đều cho kiểm tra 3 quan
trường. Khả năng của MOEA / D với dân số nhỏ, khả năng mở rộng
và độ nhạy của MOEA / D cũng đã được thực nghiệm
điều tra trong bài báo này.