Multi-Objective Differential Evolution with Multi-Noisy Random Vectors (mnv-MODE) for the Solution of Many-Objective Optimization Problems

Abstract

The ubiquity of multi-objective optimization problems (MOOPs) in real life attracted the attention of many scientists during the last two decades and motivated them to do a large amount of research in multi-objective evolutionary algorithms (MOEAs) which are broadly used in solving MOOPs. However, no algorithm can be considered as the universal optimizer for MOOPs. In this dissertation, multi-objective differential evolution (MODE) is used to develop a new approach called mnv-MODE which aims to solve ZDT1-ZDT4, ZDT6, UF1-UF10 and MaOP1-MaOP10 benchmark problems with 2, 3 and 5 objectives. Four different versions of the proposed algorithm are introduced by modifying MODE and using a local search. Compared to other MOEAs, the results show that our proposed mnv-MODE versions (especially version 4) have the best IGD values on the majority of test instances. This means that mnv-MODE achieved better performance than some efficient algorithms such as SPEA2, MOEA/D and NSGA- II for the solved test Problems. Keywords: Multi-objective optimization problems, multi-objective evolutionary algorithms, multi-objective differential evolution.

ÖZ: Gerçek hayattaki çok amaçlı optimizasyon problemlerinin (ÇAOP) yaygınlığı, son yirmi yıl boyunca birçok bilim adamının dikkatini çekti ve bunları çözmek için geniş çapta kullanılan çok amaçlı evrimsel algoritmalar (ÇAEA) konusunda büyük miktarda araştırma yapmaya teşvik etti. Bununla birlikte, hiçbir algoritma ÇAOP'ler için evrensel optimizer olarak kabul edilemez. Bu tezde, ZDT1-ZDT4, ZDT6, UF1-UF10 ve MaOP1-MaOP10 kıyaslama problemlerini 2, 3 ve 5 hedefleriyle çözmeyi amaçlayan mnv-MODE adlı yeni bir yaklaşım geliştirmek için çok amaçlı diferansiyel evrim algoritması (MODE) kullanılmıştır. Önerilen algoritmanın dört farklı sürümü MODE değiştirilerek ve yerel bir arama kullanılarak oluşturuldu. Diğer ÇAOP'larla karşılaştırıldığında, sonuçlar, önerilen mnv-MODE sürümlerimizin (özellikle sürüm 4), test örneklerinin çoğunda en iyi IGD değerlerine sahip olduğunu göstermektedir. mnv-MODE'nin, çok amaçlı test Problemlerinde SPEA2, MOEA / D ve NSGA-II gibi bazı etkili algoritmalardan daha iyi performans elde ettiği gösterilmiştir. Anahatar Kelimeler: Çok amaçlı optimizasyon problemleri, çok amaçlı evrimsel algoritmalar, çok-amaçlı diferansiyel evrim.