.png){kind=icon}
返回
A Dual-Population Evolutionary Algorithm for Large-Scale Constrained Multiobjective Optimization Leveraging Decision Variable Importance
.png){kind=icon}
PRE
AI
DOI：10.1109/tsmc.2026.3703763.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
许多复杂系统的运行优化问题可表述为大规模约束多目标优化问题（LSCMOPs）。由于大规模决策变量导致决策空间呈指数级扩张和可行域急剧收缩，现有约束多目标进化算法在求解LSCMOPs时性能严重退化。为解决此问题，本文提出了一种基于变量重要性的双种群进化优化框架，称为VIDEA。具体而言，主种群通过显式分析约束导向的决策变量重要性来聚焦可行性，而辅助种群则通过目标导向的决策变量重要性分析强调收敛性。此外，开发了一种双空间竞争性群优化方法，该方法强调在由关键变量形成低维空间中搜索以提高搜索效率。同时，引入高维与低维空间间的协作搜索策略以平衡探索与开发。在150个基准问题上的对比研究，与七种当前先进算法对比，验证了所提出框架的有效性。通过涉及煤矿综合能源系统的实际调度问题进一步验证了VIDEA的适用性。
Keyword:
Optimization
Algorithms
Elementary particles
Convergence
Educational institutions
Evolutionary computation
Testing
Ranking (statistics)
Silicon
Probability
Coal mine integrated energy system
constrained multiobjective optimization
dual-space search
large-scale optimization
variable importance
期刊
I
IF:
8.7
论文数:
157
被引数:
0
机构
查看更多机构
引用论文
暂无论文信息