.png){kind=icon}
返回
A coevolutionary algorithm for constrained multi-objective optimization with dynamic relaxation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2025.101954.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为有效解决约束多目标问题，算法需要在目标和约束之间取得平衡。本文介绍了一种利用两个独立种群来研究约束帕累托前沿（CPF）和无约束帕累托前沿（UPF）探索的方法。每个种群的适应度基于其位置的信息熵进行评估，并采用合适的进化算子从收敛性和多样性方面提升解的质量。此外，通过自适应放宽约束条件，辅助种群能够穿越大的不可行域，从而增强解的多样性。在初始阶段，辅助种群与主种群协同进化，使其接近CPF并最小化计算资源浪费。在后期阶段，采用基于动态松弛（DR）函数的锦标赛环境选择模型，帮助辅助种群放宽约束、保留有前景的解并增加多样性。此外，设计了一种熵选择进化策略，以解决种群在进化过程中易陷入局部最优的问题。通过计算种群的信息熵，可以确定种群的当前状态，然后选择适当的算子使种群能有效跳出局部最优解。与七种最先进的算法对比表明，所提出的约束多目标优化进化算法（CMOEA）的性能优于现有的CMOEA。
Keyword:
Constrained multi-objective optimization
Coevolutionary algorithm
DR tournament selection model
Entropy selection evolution strategy
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective OptimizationPlatEMO: 用于进化多目标优化的MATLAB平台
OAAI
.png){kind=icon}
OAAI分享收藏Multiobjective evolutionary algorithms: A comparative case study and the Strength Pareto approach多目标进化算法: 比较案例研究和强度帕累托方法
PREAI
分享收藏
分享收藏
查看更多内容