A Decoupled Basis-Vector-Driven Generative Framework for Dynamic Multi-Objective Optimization

Yaoming Yang

doi:10.1109/tevc.2026.3727397

A Decoupled Basis-Vector-Driven Generative Framework for Dynamic Multi-Objective Optimization

2026-08-26

0

PRE

AI

DOI：10.1109/tevc.2026.3727397

原文链接

原文求助

摘要

En 中文

动态多目标优化问题要求算法在环境变化时跟踪时变帕累托集和帕累托前沿。这在非规则变化和稀疏观测下尤为困难，这会削弱短期预测能力，增加负迁移风险，并加剧在线适应中的冷启动问题。因此，我们提出DB-GEN，一种解耦基向量驱动的生成框架，用于在线种群重初始化。DB-GEN利用基于离散小波变换的频率解耦来表示多尺度进化轨迹，并采用稀疏字典学习提取可迁移的基向量。随后，一种拓扑感知对比损失引导它们重组为结构化潜在流形，从该流形中辅助代理生成的搜索构建新环境的初始种群。DB-GEN在离线预训练了1.2亿个解后，可以直接处理其动态可由学习基向量组合表示的未见目标问题，无需目标特定的再训练或微调。在76种配置中，DB-GEN在57种情况下实现了最佳MIGD，在9种情况下位列第二。

Keyword:

Dynamic multi-objective optimization

evolutionary algorithms

structure learning

latent manifold

A Decoupled Basis-Vector-Driven Generative Framework for Dynamic Multi-Objective Optimization

摘要

期刊

机构

引用论文