A collaborative evolution strategy for dynamic multi-objective optimization based on charged individual prediction

Wenzhuo He

doi:10.1016/j.swevo.2026.102386

A collaborative evolution strategy for dynamic multi-objective optimization based on charged individual prediction

2026-04-18

0

PRE

AI

DOI：10.1016/j.swevo.2026.102386

原文链接

原文求助

摘要

En 中文

在动态多目标进化算法（DMOEAs）中，基于预测的方法因其能够在环境变化后快速追踪帕累托最优前沿（POF）而受到广泛关注。然而，此类方法通常依赖于相邻环境间种群分布差异较小的隐含假设，并基于此前提利用历史信息进行预测。该假设在实际应用中往往难以满足；当环境发生剧烈变化时，种群分布可能受到严重干扰，进而导致显著的预测偏差。为缓解种群分布突变引起的预测偏差，本文提出了一种基于带电个体预测的动态多目标优化协同进化策略（记为CP-CEMS）。通过引入个体间的带电排斥力机制，该策略使个体在预测过程中保持适当距离，从而有效维持环境变化后的种群分布。在CP-CEMS中，种群被划分为引导种群和跟踪种群：引导种群展现出良好的结构化分布，并通过带电个体预测机制保持其分布结构；而跟踪种群在引导种群的协同指导下进行预测，从而提升整体进化过程的收敛稳定性。随后，采用精英挖掘策略整合两个预测种群中的优质个体，以构建新环境下的初始种群。在多种参数设置下的实验结果表明，CP-CEMS在解决动态多目标优化问题（DMOPs）方面显著优于现有方法。

Keyword:

charged individual prediction

dynamic multi-objective optimization

population distribution

evolutionary algorithms

collaborative strategy

A collaborative evolution strategy for dynamic multi-objective optimization based on charged individual prediction

摘要

期刊

机构

引用论文