Auf der Suche nach optimalen Lösungen in komplexen, multiobjektiven Problemen? Diese Arbeit stellt die Pareto Archived Evolution Strategy (PAES) vor, ein einfaches Evolutionsschema, das entwickelt wurde, um vielfältige Lösungen innerhalb des Pareto-optimalen Satzes zu generieren. PAES verwendet die lokale Suche mit einem Referenzarchiv, um die Dominanzrangfolge von Lösungsvektoren abzuschätzen. Die Studie vergleicht verschiedene PAES-Varianten, darunter (1+λ)- und (μ+λ)-Adaptationen, mit anderen Algorithmen wie dem Niched Pareto Genetic Algorithm und dem Nondominated Sorting Genetic Algorithm, wobei ein Satz von sechs verschiedenen Testfunktionen verwendet wird. Die Ergebnisse werden mit Techniken analysiert, die Attainment-Oberflächen in univariate Verteilungen für statistische Vergleiche umwandeln. Die Testergebnisse zeigen, dass PAES in verschiedenen multiobjektiven Optimierungsaufgaben durchweg gut abschneidet. Die Forschung bietet einen Ausgangspunkt und zeigt die Effektivität und Wettbewerbsfähigkeit von PAES, insbesondere in Szenarien, in denen die lokale Suche von Vorteil ist. Diese Studie bietet wertvolle Einblicke in Optimierungsstrategien und algorithmisches Design.
Diese in Evolutionary Computation veröffentlichte Arbeit trägt direkt zum Fokus der Zeitschrift auf evolutionäre Algorithmen und deren Anwendungen bei. Durch die Einführung und Bewertung einer neuen Evolutionsstrategie steht die Forschung im Einklang mit dem Interesse der Zeitschrift an der Weiterentwicklung von Optimierungstechniken. Die vergleichende Analyse mit bestehenden Methoden erhöht die Relevanz der Arbeit für die Evolutionary-Computation-Community weiter.