NGHIÊN CỨU PHƯƠNG PHÁP CẢI TIẾN CHIẾN LƯỢC CHỌN LỌC TỰ NHIÊN TRONG GIẢI THUẬT SEAMO2 ĐỂ GIẢI CÁC BÀI TOÁN TỐI ƯU ĐA MỤC TIÊU

Trần Hải Thanh; Lê Hoàng Hiệp; Đoàn Ngọc Phương

doi:10.34238/tnu-jst.3617

NGHIÊN CỨU PHƯƠNG PHÁP CẢI TIẾN CHIẾN LƯỢC CHỌN LỌC TỰ NHIÊN TRONG GIẢI THUẬT SEAMO2 ĐỂ GIẢI CÁC BÀI TOÁN TỐI ƯU ĐA MỤC TIÊU

Thông tin bài báo

Ngày nhận bài: 17/09/20 Ngày hoàn thiện: 26/08/22 Ngày đăng: 26/08/22

Các tác giả

1. Trần Hải Thanh , Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên
2. Lê Hoàng Hiệp, Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên
3. Đoàn Ngọc Phương, Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên

Tóm tắt

Bài báo tập trung nghiên cứu, phân tích đánh giá một số trường hợp xảy ra trong chiến lược chọn lọc và thay thế cá thể vào quần thể của giải thuật SEAMO2 để tìm phương pháp cải tiến giải thuật để giải bài toán cái túi đa mục tiêu. Thông qua việc sử dụng, thay thế trường hợp lựa chọn ngẫu nhiên trong chiến lược chọn cá thể thay thế của giải thuật đó là lựa chọn cá thể xấu nhất (đáng thay thế nhất) trong một khoảng không gian giới hạn các cá thể. Kết quả thực nghiệm so với phương pháp cũ được thực hiện trước đó, cải tiến mới SEAMO2_LG cho thấy trong các thế hệ đầu của quần thể (hoặc khi chạy giải thuật với các lần chạy ngắn) thì việc tìm cá thể phù hợp để thay thế sẽ giúp cho quần thể hội tụ về biên Pareto nhanh hơn hoặc khi chạy với các lần chạy dài (số thế hệ lớn) thì ở các thế hệ cuối (khi quần thể đã đạt ngưỡng tối ưu) thì việc hạn chế không gian tìm kiếm sẽ giúp tiết kiệm thời gian.

Từ khóa

Khoa học máy tính; Bài toán cái túi đa mục tiêu; Cá thể; Ngẫu nhiên; Quần thể

Toàn văn:

PDF

Tài liệu tham khảo

[1] H. T. Tran, “Genetic algorithm for multi-objective problem,” Master Thesis, VNU University of Engineering and Technology, Viet Nam, 2014.

[2] D. T. Nguyen, Artificial Intelligence - Evolutionary Programming: Data Structures + Genetic Algorithms = Evolutionary Programs, Viet Nam Education Publisher, 2015.

[3] S. F. Adra and P. J. Fleming, “Diversity management in evolutionary many-objective optimization,” IEEE Transactions on Evolutionary Computation, vol. 15, no. 2, pp. 183–195, 2011.

[4] H. E. Aguirre, A. Liefooghe, S. Verel, and K. Tannaka, “A study on population size and selection lapse in many-objective optimization,” in Proceedings of the 2013 IEEE Congress on Evolutionary Computation (CEC’13), IEEE, Los Alamitos, CA, 2013, pp. 1507–1514.

[5] K. Deb, A. Pratap, S. Agarwal, and T. Meyarivan, “A fast and elitist multiobjective genetic algorithm: NSGA-II,” Evolutionary Computation IEEE Transactions on, vol. 6, no. 2, pp. 182-197, 2002.

[6] M. Asafuddoula, T. Ray, and R. Sarker, “A decomposition based evolutionary algorithm for manyobjective optimization with systematic sampling and adaptive epsilon control,” in Evolutionary Multi-Criterion Optimization, Springer, 2013, pp. 413–427.

[7] R. Landa, C. A. Coello, and G. T. Pulido, “Goal-constraint: Incorporating preferences throughan evolutionary ε-constraint based method,” in Proceedings of the 2013 IEEE Congress on EvolutionaryComputation (CEC’13), IEEE, Los Alamitos, CA, 2013, pp. 741–747.

[8] N. C. Yang and D. Mehmood, “Multi-Objective Bee Swarm Optimization Algorithm with Minimum Manhattan Distance for Passive Power Filter Optimization Problems,” Mathematics – MDPI, vol. 10, 2022, doi: 10.3390/math10010133.

[9] G. Acampora, F. Herrenra, G. Tortora, and A. Vitiello, “A multi-objective evolutionary approach to training set selection for support vector machine,” Knowl Based Syst., vol. 147, pp. 94–108, 2018.

[10] A. K. Alok, S. Saha and A. Ekbal, “A new semi-supervised clustering technique using multi-objective optimization,” Appl. Intell, vol. 43, no.3, pp. 633–661, 2015, doi: 10.1007/s10489-015-0656-z5.

[11] I. Aydin, M. Karaköse, and E. Akin, “A multi-objective artiﬁcial immune algorithm for parameteroptimization in support vector machine,” Appl. Soft Comput., vol.11, no.1, pp. 120–129, 2011, doi:10.1016/j.asoc.2009.11.003.

[12] V. Beiranvand, M. M. Kashani, and A. A. Bakar, “Multi-objective PSO algorithm formining numerical association rules without a priori discretization,” Expert Syst. Appl, vol. 41, no. 9, pp. 4259–4273, 2014.

[13] A. Cano, K. Cios, and S. Ventura, “Multi-objective genetic programming for feature extractionand data visualization,” Soft. Comput., vol. 21, no. 8, pp. 2069–2089, 2017.

[14] J. Alcal´a-Fdez, A. Fern´andez, J. Luengo, J. Derrac, S. Garc´ıa, L. S´anchez, and F. Herrera “KEEL Data-Mining Software Tool:Data Set Repository, Integration of Algorithms and ExperimentalAnalysis Framework,” Journal of Multiple-Valued Logic and Soft Computing, vol. 17, pp.255–287, 2011.

[15] S. H. Bae, J. Y. Choi, J. Qiu, and G. C. Fox, “Dimension reductionand visualization of large high-dimensional data via interpolation,” in Proceedings of the 19th ACM International Symposium on High Performance Distributed Computing, Chicago, Illinois, USA, June 21-25, 2010, pp. 203–214.

DOI: https://doi.org/10.34238/tnu-jst.3617

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ