.png){kind=icon}
返回
A dynamic auxiliary task construction-based evolutionary multitasking algorithm for large-scale multiobjective optimization
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-02175-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
进化多任务优化通过促进在简化空间（构建为辅助任务）中的知识转移，在解决大规模多目标优化问题（LSMOPs）中展现出巨大潜力。然而，现有方法在构建这些辅助任务时通常依赖先验知识或固定的变量分组策略，缺乏对问题特性和优化过程中种群变化的适应性。此外，其知识转移机制往往缺乏充分引导，可能引入误导性信息，阻碍原始空间（被视为主任务）的搜索。为应对这些挑战，本文提出了一种新型进化算法。该算法首先利用多种变量重要性评估方法量化每个决策变量的显著性，并基于评估结果保留不同关键变量子集，构建多个与进化过程当前阶段相适应的低维辅助任务。该方法将计算资源集中于关键变量组，从而加速收敛。此外，引入了一种基于参考解引导的知识转移策略以增强任务间的协作。该策略利用全局精英解为子代生成提供方向性引导，使简单辅助任务中的有益知识能有效转移至主任务优化中。广泛的实验结果证明了所提算法在解决LSMOPs方面的卓越效率与有效性。
Keyword:
Evolutionary algorithms
Multitask construction
Dimensionality reduction
Auxiliary optimization
Large-scale multiobjective optimization
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
4.6
论文数:
332
被引数:
0
机构
引用论文
.png){kind=icon}
A two-space-decomposition-based evolutionary algorithm for large-scale multiobjective optimization
PREAI
分享收藏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A Survey on Learnable Evolutionary Algorithms for Scalable Multiobjective Optimization可扩展多目标优化的可学习进化算法综述
OAAI
OAAI分享收藏分享收藏
查看更多内容