.png){kind=icon}
返回
A dynamic multi-objective optimization algorithm based on probability-driven prediction and correlation-guided individual transfer
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-024-06832-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
处理动态多目标优化问题（DMOPs）的主要挑战在于快速追踪最优解。尽管基于迁移学习的方法在处理DMOPs方面已展现出显著性能，但大多数现有方法忽视了种群内个体与历史环境个体之间的潜在关系，因而未能充分挖掘历史信息。为此，本研究提出了一种基于概率驱动预测和相关性引导个体迁移的动态多目标优化算法（PDP&CGIT），该算法包含两种策略：概率驱动预测（PDP）和相关性引导个体迁移（CGIT）。具体而言，PDP策略分析种群特征的分布，并基于概率标注矩阵构建判别性预测器，以从决策空间内大量随机生成的解中分类出高质量解。此外，从个体进化的角度出发，CGIT策略分析当前精英个体与前一时刻个体之间的相关性，学习个体的动态变化模式，并将该模式迁移至新环境，以维持种群的多样性和分布。通过整合这两种策略的优势，PDP&CGIT能够高效应对环境变化。大量实验将所提PDP&CGIT与FDA、F和DF测试套件中的五种最新算法进行了比较，结果证实了PDP&CGIT的优越性。
Keyword:
Dynamic multi-objective optimization
Transfer learning
Evolutionary algorithms
Prediction
期刊
IF:
2.7
论文数:
1.2K
被引数:
1.0W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏Multi-Stage Transfer Learning Evolutionary Algorithm for Dynamic Multiobjective Optimization多阶段迁移学习进化算法用于动态多目标优化
PREAI
分享收藏Evolutionary Dynamic Multiobjective Optimization: Benchmarks and Algorithm Comparisons进化动态多目标优化: 基准和算法比较
PREAI
分享收藏分享收藏
查看更多内容