چکیده فارسی :

الگوریتم های تکاملی چند منظوره ای که از اشتراک گذاری و مرتب سازی چند منظوره استفاده می کنند، عمدتا به خاطر

1. پیچیدگی محاسبانی O(MN³)) که M شماره هدف و N اندازه جمعیت است) مورد انتقاد قرار گرفته اند.

2. رویکرد غیر نخبه گرایی

3. نیاز به تعیین پارامتراشتراک

در این مقاله، ما یک مرتب سازی غیرمغلوب براساس الگوریتم تکاملی چند منظوره ( به طور خلاصه مرتب سازی غیرمغلوبGA-II یا NSGA-II) را مطرح می کنیم که هر سه مشکل ذکرشده در بالا را برطرف می کند.به طور خاص، یک روش مرتب سازی سریع غیرمغلوب با پیچیدگی محاسباتی O(MN²) ارائه می گردد.ثانیا، انتخاب اپراتspوری که یک استخرجفت گیری را با ترکیب جمعیت های والدین و فرزندان و انتخاب بهترین پاسخ از بین N پاسخ ( از لحاظ سازگاری و گستردگی) ایجاد می کند، ارائه می گردد. نتایج شبیه سازی روی پنج مسئله مشکل نشان می دهد که NSGA-II، در اکثر مسائل، قادر به پیداکردن پاسخ های بیشتری در مقایسه با PAES و SPEA- دو مورد از دیگر EA های چندمنظوره نخبه گرا که توجه خاصی به ایجاد جبهه متنوع بهینه پارتو (Pareto )دارد– همگرایی بهتری با جبهه بهینه پارتو واقعی دارد. به خاطر نیازهای کم محاسباتی NSGA-II، روش نخبه گرا و روش اشتراک بدون پارامتر، NSGA-II بکاربردهای بیشتری در سال های پیش رو خواهد داشت.

چکیده انگلیسی :

Multi-objective evolutionary algorithms which use non-dominated sorting and sharing have been mainly criticized for their (i) 0{MN^) computational complexity (where M is the number of objectives and N is the population size), (ii) non-elitism approach, and (iii) the need for specifying a sharing parameter. In this paper, we suggest a non-dominated sorting based multi-objective evolutionary algorithm (we called it the Non-dominated Sorting GA-II or NSGA-II) which alleviates all the above three difficulties. Specifically, a fast non-dominated sorting approach with O(MN^) computational complexity is presented. Second, a selection operator is presented which creates a mating pool by combining the parent and child populations and selecting the best (with respect to fitness and spread) N solutions. Simulation results on five difficult test problems show that the proposed NSGA-II, in most problems, is able to find much better spread of solutions and better convergence near the true Pareto-optimal front compared to PAES and SPEA—two other elitist multi-objective EAs which pay special attention towards creating a diverse Pareto-optimal front. Because of NSGA-II’s low computational requirements, elitist approach, and parameter-less sharing approach, NSGA-II should find increasing applications in the years to come.