.png){kind=icon}
返回
A clustering-based weighted optimization algorithm for large-scale multi-objective optimization problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s12293-025-00459-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于问题转换的加权优化框架是解决大规模多目标优化问题（LSMOPs）的有效方法。问题转换方法通过使用转换函数搜索接近参考解的区域，以确保种群快速收敛。基于聚类的方法有助于识别解空间中的关键区域或解的代表性集合，并可用于选择参考解。因此，本文提出了一种基于聚类的加权优化算法来求解LSMOPs。首先，采用层次聚类与划分聚类的结合方法从当前种群中选择参考解。聚类选择方法使所选解更具多样性，参考解用于指导加权优化的搜索方向。其次，在问题转换阶段设计了幂值转换方法。该转换可以改变决策变量的映射方法，并有效缩减原始决策空间。最后，提出了用于分配适应度评估次数的自适应方法，以合理分配进化过程中的计算资源。所提出的算法在两组大规模多目标优化基准测试问题上进行了测试，并与七种竞争性多目标优化算法进行了比较。实验结果表明，所提出的算法在搜索性能和收敛速度方面优于当前最先进的算法。
Keyword:
Large scale multi-objective
Clustering
Weighted optimization
Adaptive allocation
期刊
IF:
2.3
论文数:
459
被引数:
718
机构
暂无机构信息
引用论文
Multimodal Multiobjective Evolutionary Optimization With Dual Clustering in Decision and Objective Spaces决策和目标空间中具有双重聚类的多模态多目标进化优化
.png){kind=icon}
PREAI
分享收藏A random dynamic grouping based weight optimization framework for large-scale multi-objective optimization problems基于随机动态分组的大规模多目标优化问题权重优化框架
PREAI
分享收藏分享收藏A self -organizing weighted optimization based framework for large -scale multi-objective optimization基于自组织加权优化的大规模多目标优化框架
OAAI
OAAI分享收藏
查看更多内容