Dinamik Çok Amaçlı Eniyileme Problemleri için Hibrid Çerçevenin İncelenmesi

Abstract

Çok amaçlı evrimsel algoritmalar ve sezgisel seçen üst-sezgiseller ortamda meydana gelebilecek farklı dinamizm tiplerini ele alan adaptif yöntemlerdir. Bu çalışmada, bu yöntemlerin birleştirildiği yapı, dinamik çok amaçlı eniyileme problemlerini çözmek için kullanılmıştır. Bu yapıda üst-sezgiseller popülasyonun bireylerini üretecek olan sezgiselleri seçmek için kullanılır. Sezgisel seçen üst-sezgiseller içinde kullanılan farklı sezgisel seçim yöntemlerinin etkisi ile birlikte önerilen yaklaşımın performansı yapay olarak oluşturulmuş dinamik test problemleri üzerinde deneysel olarak incelenmiştir. Deneysel sonuçlar öğrenme içeren üst-sezgisellerin kullanıldığı yaklaşımın öğrenme içermeyenlere göre daha iyi sonuç verdiğini göstermiştir. Ayrıca, önerilen yaklaşımın literatürde iyi bilinen yöntemlerle karşılaştırıldığında rekabet edebilecek düzeyde sonuçlar verdiği görülmüştür.

Multi-objective evolutionary algorithms and selection hyper-heuristics are adaptive methods that can handle different types of dynamism which may occur in the environment. In this study, a hybrid framework combining these methods is presented for solving dynamic multi-objective optimization problems. In this framework, hyper-heuristics are used to select the heuristic that will generate the individuals in the population. The performance of the approach, along with the effect of different heuristic selection methods used in the selection hyper-heuristics, is experimentally examined over a set of dynamic multi-objective optimization problems. The empirical results show that the selection hyper-heuristics with learning perform well in the framework. It is also shown that the proposed approach can compete with the well-known methods from literature.