您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 201804-159
论文题目 动态收敛性与多样性指导的高维多目标进化算法
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

DCDG-EA: Dynamic Convergence-Diversity Guided Evolutionary Algorithm for Many-Objective Optimization

首发时间:2018-04-16

LI Zhi-Yong 1   

Li Zhi Yong (1971-),male,professor,major research direction:intelligent optimization algorithms and applications, cloud computing and big data analysis, pattern recognition and machine vision, embedded computing and intelligent systems.

LIN Ke 1   
  • 1、College of Computer Science and Electronic Engineering of Hunan University, and Key Laboratory for Embedded and Network Computing of Hunan Province, Changsha 410082

Abstract:Maintaining a good balance between convergence and diversity is particularly crucial to the performance of the evolutionary algorithms (EAs). However, traditional multi-objective evolutionary algorithms, which have demonstrated their competitive performance in a variety of practical problems involving two or three objectives, face significant challenges in many-objective optimization problems (MaOPs). This paper proposes a dynamic convergence-diversity guided evolutionary algorithm (DCDG-EA) for MaOPs by employing decomposition technique. The objective space of MaOPs is divided into $K$ subspaces by a set of uniformly distributed reference vectors. Each subspace has its own subpopulation and evolves in parallel with the other subspaces. In DCDG-EA, the balance between convergence and diversity is achieved through convergence-diversity based operator selection (CDOS) strategy and convergence-diversity based individual selection (CDIS) strategy. In CDOS, each operator in a set of operators is assigned a selection probability which is related to its convergence and diversity reward. On the basis of selection probability, an appropriate operator is selected to generate offspring. Furthermore, CDIS greatly overcomes the inefficiency of Pareto dominance. It updates each subpopulation by using two independent distance measures that respectively represent convergence and control diversity. The experimental results on DTLZ benchmark problems with up to 15 objectives show that our algorithm is highly competitive in comparison with the selected four state-of-the-art evolutionary algorithms in terms of convergence and diversity.

keywords: Many-objective optimization, convergence, diversity, decomposition, evolutionary algorithm, Pareto optimality.

点击查看论文中文信息

动态收敛性与多样性指导的高维多目标进化算法

李智勇 1   

Li Zhi Yong (1971-),male,professor,major research direction:intelligent optimization algorithms and applications, cloud computing and big data analysis, pattern recognition and machine vision, embedded computing and intelligent systems.

林可 1   
  • 1、湖南大学信息科学与工程学院,湖南省嵌入式与网络计算重点实验室,长沙410082

摘要:保持收敛性和多样性之间的良好平衡对进化算法(EAs)的性能尤为重要。然而,传统的多目标优化算法已经在包含两个或三个目标的各种实际问题中展现出它们优势,但在高维多目标优化问题(MaOPs)中面临着巨大的挑战。本文提出了一个利用分解技术的动态收敛性和多样性指导的高维多目标优化进化算法(DCDG-EA)。 MaOPs 的目标空间被一组均匀分布的参考向量分成$K$个子空间。每个子空间都有其自己的子种群,并与其他子空间并行进化。在DCDG-EA中,收敛和多样性之间的平衡通过基于收敛性和多样性的算子选择(CDOS)策略和基于收敛性和多样性的个体选择(CDIS)策略来实现。在CDOS中,一组算子中的每个算子都被分配了一个选择概率,该选择概率与其收敛性和多样性回报有关。根据选择概率,选择适当的算子来生成后代。此外,CDIS极大地克服了Pareto占优的低效性。它通过两个距离度量分别代表收敛和控制多样性,据此来更新每个子种群。在多达15个目标的DTLZ基准测试问题上的实验结果表明,我们的算法与所选择的四种主流的多目标优化算法相比,在收敛性和多样性方面都具有很大的优势。

关键词: 高维多目标优化,收敛性,多样性,分解,进化算法,Pareto占优

点击收起

论文图表:

引用

导出参考文献

.txt .ris .doc
LI Zhi-Yong,LIN Ke. DCDG-EA: Dynamic Convergence-Diversity Guided Evolutionary Algorithm for Many-Objective Optimization[EB/OL]. Beijing:Sciencepaper Online[2018-04-16]. http://www.paper.edu.cn/releasepaper/content/201804-159.

No.****

同行评议

共计0人参与

评论

全部评论

0/1000

勘误表

动态收敛性与多样性指导的高维多目标进化算法