返回
A double deep reinforcement learning-driven sparse large-scale multi-objective optimization algorithm
DOI:10.1016/j.asoc.2026.115214.png)
摘要
En 中文
• 设计了一种有效的稀疏大规模多目标优化算法。
• 将两个深度神经网络应用于稀疏大规模多目标进化算法。
• 设计了一种基于变量重要性的变异算子,用于生成高质量稀疏解。
• 增强了决策空间中全局区域的探索和局部区域的开发。
Keyword:
sparse large-scale multi-objective optimization
deep neural networks
variable importance-guided mutation
global exploration
local exploitation
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
Asymmetrical variable driven simulated binary crossover operator for large scale multi-objective optimization非对称变量驱动的模拟二进制交叉算子,用于大规模多目标优化
A two-stage evolutionary algorithm for large-scale sparse multiobjective optimization problems求解大规模稀疏多目标优化问题的两阶段进化算法
Evolutionary Instance Selection With Multiple Partial Adaptive Classifiers for Domain Adaptation多部分自适应分类器用于领域适应的进化实例选择
Jokic, A.; Zivkovic, M.; Jovanovic, L.; Mravik, M.; Sarac, M.; Simic, V.; Khan, M.A.; Bacanin, N. A Convolutional Neural Network-Enhanced Attack Detection Framework with Explainable Artificial Intelligence for Internet of Things-Based Metaverse Security. Eng. Appl. Artif. Intell. 2025, 144, 111358. [Google Scholar] [CrossRef]Jokic, A.; Zivkovic, M.; Jovanovic, L.; Mravik, M.; Sarac, M.; Simic, V.; Khan, M.A.; Bacanin, N. 一种基于卷积神经网络增强的攻击检测框架与可解释人工智能,用于基于物联网的元宇宙安全。Eng. Appl. Artif. Intell. 2025, 144, 111358. [Google Scholar] [CrossRef]

