.png){kind=icon}
返回
A dynamic evolution of graph structure-based algorithm for multi-modal multi-objective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2025.102095.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在多模态多目标优化问题（MMOPs）领域，挑战在于同时识别决策空间中的多个帕累托最优解集，并准确确定目标空间中的帕累托前沿。因此，开发能够有效表征和利用变量间复杂关系与依赖性的方法尤为重要。考虑到图结构在捕捉复杂关系和依赖性方面具有独特优势，有必要探索图论方法以解决该问题。受此启发，本文提出了一种基于图结构动态演化的算法。具体而言，提出了一种历史数据驱动的图生成策略，以构建作为图结构数据的初始种群。随后，应用node2vec策略基于边权重执行随机游走，避免搜索过程中的重复错误，从而实现图上更快速有效的种群进化。此外，提出了一种基于图结构自适应密度-based空间聚类（DBSCAN）的动态模态标记机制，以防止不同模态信息的混合，同时实现对新模态的及时检测与优化。此外，还提出了一种动态链接节点预测机制以更新图结构，使网络能够适应数据变化。在28个MMOPs和multiline距离最小化问题的实验表明，所提算法优于包括CEC2020中的22个MMOPs和6个MMMOPs在内的七种当前最佳算法代表。
Keyword:
graph-based optimization
multi-modal multi-objective optimization
node2vec
dynamic graph evolution
adaptive clustering
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
.png){kind=icon}
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Multimodal Multiobjective Evolutionary Optimization With Dual Clustering in Decision and Objective Spaces决策和目标空间中具有双重聚类的多模态多目标进化优化
PREAI
分享收藏Multiobjective evolutionary algorithms: A comparative case study and the Strength Pareto approach多目标进化算法: 比较案例研究和强度帕累托方法
PREAI
分享收藏
查看更多内容