參數調整機制於多目標演化式演算法之效能剖析

Abstract

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。