.png){kind=icon}
返回
A Constrained Learning-Based Competitive Swarm Optimizer for Large-Scale Multiobjective Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2025.3612091.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
竞争性群优化器（CSO）被认为是解决大规模多目标优化问题（LMOPs）的一种突出范式。然而，大多数现有CSO中使用的成对随机竞争（PRC）机制可能由于以下原因限制其在解决LMOPs时的性能。首先，当PRC获得的获胜粒子质量较差时，可能会限制其对应失败粒子的学习效果。其次，由于PRC的随机性，失败粒子的进化方向可能在迭代过程中发生剧烈扰动，从而降低其收敛速度。为缓解上述问题，本文提出了一种基于约束学习（CL）的CSO，用于解决LMOPs，称为CL-CSO。首先，CL-CSO采用一组参考向量将原始目标空间划分为若干子区域。其次，CL-CSO设计了一种基于CL的策略，包括子区域内学习和跨子区域学习策略，使失败粒子仅从其子区域内或邻近子区域的获胜粒子中学习。此外，CL-CSO设计了一种高斯模型辅助进化策略，以帮助获胜粒子的进化，旨在进一步提高获胜粒子的多样性和质量。通过这种方式，粒子的学习效果和整体收敛速度可以得到显著提升。与解决LMOPs的几种竞争性算法相比，实验结果表明，CL-CSO在解决两个知名基准LMOPs（包含2-3个目标和500-5000个决策变量）以及实际实例选择问题上表现良好。
Keyword:
competitive swarm optimizer (CSO)
constrained learning (CL)
large-scale optimization
multiobjective optimization
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
.png){kind=icon}
PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective OptimizationPlatEMO: 用于进化多目标优化的MATLAB平台
OAAI
OAAI分享收藏Analyzing Dominance Move (MIP-DoM) Indicator for Multiobjective and Many-Objective Optimization分析多目标和多目标优化的优势移动 (mip-dom) 指标
OAAI
OAAI分享收藏Segment-Based Predominant Learning Swarm Optimizer for Large-Scale Optimization用于大规模优化的基于分段的优势学习群优化器OAAI
OAAI分享收藏
查看更多内容