.png){kind=icon}
返回
A fast generalized surrogate−assisted evolutionary algorithm for solving expensive constrained optimization problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07660-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统进化算法（EAs）通常需要大量的函数评估（FEs）来解决高成本约束优化问题（ECOPs），导致计算成本高。为应对这一挑战，本文提出了一种基于多策略混合麻雀搜索算法（FGSAEA-MSHSSA）的快速广义代理辅助进化算法。所提出的算法引入了一种创新模型管理方法，整合了全局和局部代理模型。该算法使用集成代理方法构建全局代理模型，并引入方差和距离（VD）准则来选择合适的个体进行精确评估，有效引导进化搜索过程。它还提出了种群信任区域的概念来构建局部代理模型，增强了FGSAEA-MSHSSA的探索能力。此外，还融入了顶级可行均值规则（TFMR），以在搜索过程中维持可行与不可行区域之间的平衡，提高可行解的质量并显著加速收敛。实验结果表明，所提出的算法在具有不同特征的基准函数和弹簧设计问题上优于其他先进算法。它不仅显著降低了计算成本，还大幅提升了优化性能，相比其他算法平均提高了约48.4%。
Keyword:
Surrogate−assisted
Model management
Ensemble surrogate
Uncertainty
Expensive constrained optimization problems
期刊
IF:
2.7
论文数:
1.2K
被引数:
1.0W
机构
引用论文
A two-stage surrogate-assisted meta-heuristic algorithm for high-dimensional expensive problems.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏
查看更多内容