.png){kind=icon}
返回
A fitness-assignment method for evolutionary constrained multi-objective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compeleceng.2025.110769.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
约束多目标进化算法（CMOEAs）的有效性取决于其利用可行解和不可行解的信息，在问题搜索空间内探索多样化可行区域的能力。尽管已提出许多高性能的CMOEAs，但它们通常因底层多阶段或多种群设计而过于复杂。为简化该过程，已提出基于适应度分配的CMOEAs，将可行性信息整合到无约束多目标优化的传统方法中。然而，这些方法在性能上不具备可扩展性，因为难以设计一种能同时考虑约束违反、收敛性和多样性的适应度分配方法。因此，本文提出了一种有效的单种群基于适应度分配的CMOEAs，称为ISDE+c，可在搜索空间中探索不同的可行区域。ISDE+c是一种基于适应度分配的算法，是约束违反（c）、基于移动的密度估计（SDE）和目标函数和（＋）的高效融合。这种融合促进了不可行解信息的有效利用，并确保算法能有效覆盖搜索空间中多样化的可行区域。通过超体积和运行时复杂度评估ISDE+c的性能，并与6种不同特性基准测试套件上的9种基准CMOEAs进行了有利的比较。所提出的ISDE+c的代码可公开获取于https://github.com/RammohanMallipeddi/Matlab-Codes-for-cISDE-。
期刊
C
IF:
4.9
论文数:
6.7K
被引数:
1.3W
机构
引用论文
A Benchmark-Suite of real-World constrained multi-objective optimization problems and some baseline results真实世界约束多目标优化问题的基准套件和一些基准结果
PREAI
分享收藏分享收藏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A survey of decomposition approaches in multiobjective evolutionary algorithms.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容