.png){kind=icon}
返回
A dynamic multi-objective optimization evolutionary algorithm based on hybrid initialization and ensemble model prediction strategy
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-026-03234-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态多目标优化问题的目标函数和约束随时间变化，影响优化解的多样性和预测精度。现有动态多目标优化进化算法（DMOEAs）不仅忽略了初始种群多样性对进化的影响，也较少考虑预测策略的非线性变化。因此，提出了一种基于创新混合初始化和集成预测策略、结合动态变异调整的DMOEAs。混合初始化策略创新性地将多级混沌映射扰动和随机增强添加到拉丁超立方采样生成的均匀分布种群中，有效扩展了初始种群的多样性和空间覆盖范围，提升了解的全局搜索能力。集成模型预测策略的关键亮点在于对非线性变化的准确预测，可根据不同类型的变化选择最适模型，减少对单个模型预测误差的依赖。动态变异调整策略利用帕累托熵实时监控帕累托前沿分布，自适应调节变化中的探索与开发平衡，在实时响应环境变化和维护解集多样性方面表现良好。与其它先进算法相比，实验结果表明所提算法不仅能快速响应动态环境变化，还在收敛性和多样性方面取得了突出成果。
Keyword:
Dynamic multi-objective optimization
Evolutionary algorithm
Chaotic mapping
Time series model
Pareto entropy
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
分享收藏A directed search strategy for evolutionary dynamic multiobjective optimization.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏
A Co-evolutionary Multi-population Evolutionary Algorithm for Dynamic Multiobjective Optimization一种求解动态多目标优化问题的协同进化多种群进化算法
PREAI
分享收藏
查看更多内容