Starting with multi-objective studi

Starting with multi-objective studies from the early days of evolutionary algorithms, this book presents various techniques of finding multiple trade-off solutions using evolutionary algorithms. Early applications to multi-objective optimization problems were mainly preference-based approaches, although the need for finding multiple trade¬off solutions was clearly stated. The first real application of EAs in finding multiple trade-off solutions in one single simulation run was suggested and worked out in 1984 by David Schaffer in his doctoral dissertation (Schaffer, 1984). His vector-evaluated genetic algorithm (VEGA) made a simple modification to a single-objective G A and demonstrated that GAs can be used to capture multiple trade-off solutions for a few iterations of a VEGA. However, if continued for a large number of iterations, a VEGA population tends to converge to individual optimal solutions. After this study, EA researchers did not pay much attention to multi-objective optimization for almost half a decade. In 1989, David E. Goldberg, in his seminal book (Goldberg, 1989) , suggested a ID-line sketch of a plausible multi-objective evolutionary algorithm (MOEA) using the concept of domination. Taking the clue from his book, a number of researchers across the globe have since developed different implementations of MOEAs. Of these, Fonseca and Fleming’s multi-objective GA (Fonseca and Fleming, 1995), Srinivas and Deb’s non-dominated sorting GA (NSGA) (Srinivas and Deb, 1994), and Horn, Nafploitis and Goldberg’s niched Pareto-GA (NPGA) (Horn et al., 1994) were immediately tested for different real-world problems to demonstrate that domination-based MOEAs can be reliably used to find and maintain multiple trade¬off solutions. More or less at the same time, a number of other researchers suggested different ways to use an EA to solve multi-objective optimization problems. Of these, Kursawe’s diploidy approach (Kursawe, 1990), Hajela and Lin’s weight-based approach (Hajela and Lin, 1992), and Osyczka and Kundu’s distance-based GA (Osyczka and Kundu, 1995) are just a few examples. With the rise of interest in multi-objective optimization, EA journals began to bring out special issues (Deb and Horn, 2000), EA "conferences started holding tutorials and special sessions on evolutionary multi¬objective optimization, and an independent international conference on evolutionary multi-criterion optimization (Zitzler et al., 2001) is recently arranged.

Kết quả (Việt) 1:

Bắt đầu với các nghiên cứu đa khách quan từ những ngày đầu của tiến hóa thuật toán, cuốn sách này trình bày các kỹ thuật khác nhau của việc tìm kiếm giải pháp thương mại-off nhiều bằng cách sử dụng thuật toán tiến hóa. Các ứng dụng đầu để tối ưu hóa đa mục tiêu vấn đề đã là chủ yếu là ưu tiên dựa trên phương pháp tiếp cận, mặc dù sự cần thiết cho việc tìm kiếm nhiều trade¬off giải pháp đã được ghi rõ. Các ứng dụng thực tế đầu tiên của EAs trong tìm kiếm nhiều giải pháp thương mại-off trong một mô phỏng duy nhất chạy được đề xuất và làm việc năm 1984 bởi David Schaffer trong luận án tiến sĩ của ông (Schaffer, 1984). Ông đánh giá vector thuật toán di truyền (VEGA) thực hiện một sửa đổi đơn giản đến một mục tiêu đơn G A và chứng minh rằng khí có thể được sử dụng để nắm bắt nhiều giải pháp thương mại-off cho một vài lặp đi lặp lại của một VEGA. Tuy nhiên, nếu tiếp tục cho một số lớn các lặp đi lặp lại, dân VEGA có xu hướng để hội tụ về cá nhân giải pháp tối ưu. Sau khi nghiên cứu này, các nhà nghiên cứu EA đã không trả tiền nhiều sự chú ý đến tối ưu hóa đa mục tiêu cho gần một nửa một thập kỷ. Năm 1989, David E. Goldberg, trong cuốn sách hội thảo (Goldberg, 1989), đề nghị một phác họa dòng ID của một thuật toán tiến hóa đa mục tiêu chính đáng (MOEA) bằng cách sử dụng các khái niệm về sự thống trị. Tham gia đầu mối từ cuốn sách của ông, một số nhà nghiên cứu trên toàn cầu đã kể từ khi phát triển khác nhau hiện thực của MOEAs. Trong số này, Fonseca và GA đa khách quan của Fleming (Fonseca và Fleming, 1995), thanh Nga và Deb của phòng không-chủ yếu là phân loại GA (NSGA) (Srinivas và Deb, 1994), và sừng, Nafploitis và của Goldberg niched Pareto-GA (NPGA) (sừng và ctv., 1994) đã được thử nghiệm ngay lập tức cho vấn đề thực thế giới khác nhau để chứng minh sự thống trị dựa trên MOEAs có thể được sử dụng đáng tin cậy để tìm và duy trì nhiều trade¬off giải pháp. Nhiều hơn hoặc ít hơn cùng một lúc, một số nhà nghiên cứu khác đề nghị cách khác nhau để sử dụng một EA để giải quyết vấn đề tối ưu hóa đa mục tiêu. Đây, phương pháp cho diploidy của Kursawe (Kursawe, 1990), Hajela và Lin của trọng lượng dựa trên phương pháp tiếp cận (Hajela và Lin, 1992), và Osyczka và của Kundu dựa trên khoảng cách GA (Osyczka và Kundu, 1995) chỉ là một vài ví dụ. Với sự nổi lên của lãi suất trong nhiều mục tiêu tối ưu hóa, EA tạp chí bắt đầu để đưa ra các vấn đề đặc biệt (Deb và sừng, 2000), EA "Hội nghị bắt đầu giữ hướng dẫn và phiên họp đặc biệt về tối ưu hóa tiến hóa multi¬objective, và một hội nghị quốc tế độc lập về tiến hóa nhiều tiêu chí tối ưu hóa (Zitzler và ctv., 2001) mới được sắp xếp.

Kết quả (Việt) 2:

Bắt đầu với những nghiên cứu đa mục tiêu từ những ngày đầu của thuật toán tiến hóa, cuốn sách này trình bày các kỹ thuật khác nhau của việc tìm kiếm nhiều giải pháp thương mại-off bằng cách sử dụng thuật toán tiến hóa. Các ứng dụng sớm các vấn đề tối ưu hóa đa mục tiêu chủ yếu là phương pháp tiếp cận dựa trên sở thích, mặc dù nhu cầu cho việc tìm kiếm nhiều giải pháp trade¬off đã được nêu rõ. Các ứng dụng thực tế đầu tiên của EA trong việc tìm kiếm nhiều giải pháp thương mại-off trong một đơn tính toán mô phỏng đã được đề xuất và làm việc ra vào năm 1984 bởi David Schaffer trong luận án tiến sĩ của ông (Schaffer, 1984). Thuật toán di truyền vector-đánh giá của ông (VEGA) đã có một thay đổi đơn giản để một GA đơn mục tiêu và chứng minh rằng khí có thể được sử dụng để bắt được hàng loạt các giải pháp thương mại-off cho một vài lần lặp của một VEGA. Tuy nhiên, nếu tiếp tục cho một số lượng lớn các lần lặp lại, một dân số có xu hướng hội tụ VEGA đến giải pháp tối ưu cá nhân. Sau khi nghiên cứu này, các nhà nghiên cứu EA đã không chú ý nhiều đến tối ưu hóa đa mục tiêu cho gần nửa thập kỷ. Năm 1989, David E. Goldberg, trong cuốn sách của ông tinh (Goldberg, 1989), đề nghị một bản phác thảo ID-line của một thuật toán hợp lý đa mục tiêu tiến hóa (MOEA) bằng cách sử dụng các khái niệm về sự thống trị. Lấy đầu mối từ cuốn sách của mình, một số nhà nghiên cứu trên toàn cầu kể từ khi triển khai thực hiện có phát triển khác nhau của MOEAs. Trong số này, Fonseca và đa mục tiêu GA (Fonseca và Fleming, 1995) của Fleming, Srinivas và Deb của phi thống trị phân loại GA (NSGA) (Srinivas và Deb, 1994), và Horn, Nafploitis và Goldberg của niched Pareto-GA (NPGA) (Horn et al., 1994) đã ngay lập tức kiểm tra về các vấn đề thế giới thực khác nhau để chứng minh rằng MOEAs thống trị dựa trên có thể được sử dụng đáng tin cậy để tìm và duy trì nhiều giải pháp trade¬off. Nhiều hơn hoặc ít hơn ở cùng một thời điểm, một số nhà nghiên cứu khác cho thấy những cách khác nhau để sử dụng một EA để giải quyết bài toán tối ưu đa mục tiêu. Trong số này, diploidy cách tiếp cận Kursawe của (Kursawe, 1990), Hajela và cách tiếp cận của Lin theo cân nặng (Hajela và Lin, 1992), và Osyczka và Kundu của khoảng cách dựa trên GA (Osyczka và Kundu, 1995) chỉ là một vài ví dụ. Với sự gia tăng quan tâm trong tối ưu hóa đa mục tiêu, EA tạp chí bắt đầu đưa ra các vấn đề đặc biệt (Deb và Horn, 2000), EA "hội nghị bắt đầu tổ chức hướng dẫn và phiên họp đặc biệt về tối ưu hóa multi¬objective tiến hóa, và một hội nghị quốc tế độc lập về tiến hóa tối ưu hóa đa tiêu chí (Zitzler et al., 2001) gần đây đã được sắp xếp.