.png){kind=icon}
返回
A Distributed Bi-Behaviors Crow Search Algorithm for Dynamic Multi-Objective Optimization and Many-Objective Optimization Problems
.png){kind=icon}
OA
AI
DOI：10.3390/app12199627.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态多目标优化问题（DMOPs）和许多目标优化问题（MaOPs）是优化领域中具有工程潜在应用的两大类问题。改进的多目标进化算法混合方法似乎适合有效处理此类问题。然而，标准乌鸦搜索算法（Crow Search Algorithm）至今尚未被考虑用于DMOPs或MaOPs。本文提出了一种具有两种不同机制的分布式双行为乌鸦搜索算法（DB-CSA），一种对应于搜索行为，另一种对应于具有动态切换机制的开发行为。双行为CSA追逐轮廓基于一个大的高斯型Beta-1函数定义，这确保了多样性增强，而狭窄的高斯Beta-2函数用于改进解的调优和收敛行为。开发了所提出的DB-CSA方法的两种变体：第一种变体用于解决一组具有2、3、5、7、8、10、15个目标的MaOPs，第二种旨在解决具有不同时变帕累托最优集和帕累托最优前沿的几种类型DMOPs。DB-CSA算法的第二种变体（DB-CSA-II）被提出用于解决DMOPs，包括一个动态优化过程，以有效检测和应对动态变化。反一般距离、平均反一般距离和超体积差是用于将DB-CSA方法与当前最先进MOEAs进行比较的主要测量指标。Taguchi方法已被用于管理DB-CSA算法的元参数。所有定量结果均采用显著性水平为0.05的非参数Wilcoxon符号秩检验进行分析，验证了所提出方法在解决44个测试问题（21个DMOPs和23个MaOPS）中的有效性。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息