A large number of real-world problems require optimising several objective functions at the same time, which are generally in conflict. Many of these problems have been addressed through multi-objective evolutionary algorithms. In this paper, we propose a new hybrid evolutionary algorithm whose main feature is the incorporation of the Decision Maker’s (DM’s) preferences through multi-criteria ordinal classification methods in early stages of the optimisation process, being progressively updated. This increases the selective pressure towards the privileged zone of the Pareto front more in agreement with the DM’s preferences. An extensive experimental research was conducted to answer three main questions: i) to what extent the proposal improves the convergence towards the region of interest for the DM; ii) to what extent the proposal becomes more relevant as the number of objectives increases, and iii) to what extent the effectiveness of the hybrid algorithm depends on the particular multi-criteria method used to assign solutions to ordered classes. The issues used to evaluate our proposal and answer the questions were seven scalable test problems from the DTLZ test suite and some instances of project portfolio optimisation problems, with three and eight objectives. Compared to MOEA/D and MOEA/D-DE, the results showed that the proposed strategy obtains a better convergence towards the region of interest for the DM and also performs better characterisation of that zone on a wide range of objective functions.

大量现实问题需要同时优化几个目标函数，这些目标函数通常会发生冲突。通过多目标进化算法已经解决了许多这些问题。在本文中，我们提出了一种新的混合进化算法，其主要特征是在优化过程的早期阶段通过多准则序数分类方法将决策者（DM）的偏好纳入其中。这更加符合DM的偏好，从而增加了对帕累托战线特权区的选择压力。进行了广泛的实验研究，以回答三个主要问题：i）该提案在多大程度上改善了DM朝着感兴趣区域的趋同；ii）随着目标数量的增加，提案在多大程度上变得更相关，并且iii）混合算法的有效性在多大程度上取决于用于将解决方案分配给有序类的特定多准则方法。用于评估我们的建议并回答问题的问题是DTLZ测试套件中的七个可扩展测试问题，以及具有三个目标和八个目标的项目组合优化问题的一些实例。与MOEA / D和MOEA / D-DE相比，结果表明，所提出的策略在DM的感兴趣区域上获得了更好的收敛，并且在广泛的目标函数上也对该区域进行了更好的表征。iii）混合算法的有效性在多大程度上取决于用于将解决方案分配给有序类的特定多准则方法。用于评估我们的建议并回答问题的问题是DTLZ测试套件中的七个可扩展测试问题，以及具有三个目标和八个目标的项目组合优化问题的一些实例。与MOEA / D和MOEA / D-DE相比，结果表明，所提出的策略在DM的感兴趣区域上获得了更好的收敛，并且在广泛的目标函数上也对该区域进行了更好的表征。iii）混合算法的有效性在多大程度上取决于用于将解决方案分配给有序类的特定多准则方法。用于评估我们的建议并回答问题的问题是DTLZ测试套件中的七个可扩展测试问题，以及具有三个目标和八个目标的项目组合优化问题的一些实例。与MOEA / D和MOEA / D-DE相比，结果表明，所提出的策略在DM的感兴趣区域上获得了更好的收敛，并且在广泛的目标函数上也对该区域进行了更好的表征。用于评估我们的建议并回答问题的问题是DTLZ测试套件中的七个可扩展测试问题，以及具有三个目标和八个目标的项目组合优化问题的一些实例。与MOEA / D和MOEA / D-DE相比，结果表明，所提出的策略在DM的感兴趣区域上获得了更好的收敛，并且在广泛的目标函数上也对该区域进行了更好的表征。用于评估我们的建议并回答问题的问题是DTLZ测试套件中的七个可扩展测试问题，以及具有三个目标和八个目标的项目组合优化问题的一些实例。与MOEA / D和MOEA / D-DE相比，结果表明，所提出的策略在DM的感兴趣区域上获得了更好的收敛，并且在广泛的目标函数上也对该区域进行了更好的表征。