Randomized Decomposition Methods in Multi-objective Evolutionary Algorithm based on Decomposition for Many-objective Optimization Problems

Optimizasyon probleminde amaç sayısı arttıkça amaç uzayı da büyümektedir, bu nedenle bu problemlere cevap almak için geleneksel yöntemleri kullanmak mümkün değildir. Bu nedenle, bu sorunu çözmek için bazı yöntemler önerilmektedir. Çözümlerden birine ayrıştırma denir. Ayrıştırmada hedefler skalarizasyon fonksiyonlarına uygulanır ve birçok alt problem elde edilir. Komşuluklarına bağlı olarak, evrimsel algoritmanın mevcut neslindeki en iyi üyeler, bir sonraki nesile aktarılacaktır. Bu fikri kullanan algoritmaya Ayrıştırmaya Dayalı Çok Amaçlı Evrimsel Algoritma (MOEA/D) denir. MOEA/D algoritması ile farklı türde ayrıştırma yöntemleri kullanılabilir. Bununla birlikte, her birinin kendi zayıflıkları veya avantajları vardır. Bu nedenle, ayrıştırma yöntemlerinin dezavantajını azaltmak için bu araştırmada tek bir ayrıştırma yöntemi yerine rastgele iki yöntemin kullanılacağı hibrit bir yaklaşım önerilmiştir. Önerilen hibrit yöntemin performansı, iki metrik kullanılarak yedi test problemi üzerinde gösterilecektir.