.png){kind=icon}
返回
A Dynamic Constraint Relaxation Framework for Constrained Multimodal Multi-objective Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/tevc.2026.3727029.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
约束多模态多目标优化问题（CMMOPs）由于存在多个冲突目标、复杂的约束条件以及多个最优区域的并存而极具挑战性。求解CMMOPs需要算法同时确保解的可行性、保持多样性以捕获各种最优解，并在冲突目标间实现收敛。然而，大多数现有的约束多模态多目标进化算法（CMMOEAs）依赖静态约束处理策略，这往往会阻碍探索并无法有效平衡可行性与多样性。为解决这些问题，我们提出了一种动态约束松弛框架（DCRF）以增强多模态多目标进化算法（MMOEAs）的性能。DCRF引入两个关键组件：（1）动态约束松弛机制（DCRM），在不同进化阶段动态调整约束严格度：早期促进全局探索，中期允许在狭窄可行域内搜索，最终阶段强制严格可行性以实现精细收敛；（2）可行性平衡交配选择（FBMS），利用精英可行解的外部存档引导父代选择，补偿松弛过程中的可行性损失并提高子代可行性。在两个基准测试集（即CMMF和CMMOP）和一个实际应用（如选址问题）上的实验研究表明，将DCRF整合到三种MMOEAs中在测试设置下表现出竞争性性能。特别是，MMOEA/DC+DCRF在大多数评估指标上优于七种最先进的CMMOEAs。进一步的扩展实验表明，DCRF在约束多目标优化问题（CMOPs）上也取得了有前景的性能。
Keyword:
Constrained multimodal multi-objective evolutionary algorithms
dynamic constraint relaxation mechanism
feasibility-balanced mating selection
diversity
