.png){kind=icon}
返回
A heterogeneous population co-evolutionary algorithm for sparse large-scale multi-objective optimization problems
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-026-02409-x.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
稀疏大规模多目标优化问题（稀疏LSMOPs）由于维度灾难和帕累托最优解固有的稀疏性而极具挑战性。尽管协同进化算法展现出显著潜力，现有方法常受限于静态资源分配和同质化变量分组策略。这些限制导致计算预算与进化状态严重不匹配，难以有效消除冗余噪声变量并激活关键变量。为弥合这些差距，本文提出了一种面向稀疏LSMOPs的异质种群协同进化算法（HPCEA）。首先，引入自适应种群划分策略，根据实时进化状态动态调整收敛与多样性子种群的规模，实现按需计算资源分配。其次，设计了异质变量分组策略：在收敛子种群中采用相关性分组方法捕捉稀疏空间中的结构关联模式，在多样性子种群中采用结构性分组方法发掘潜在稀疏模式。最后，基于这些差异化架构和稀疏重要性评分，异质遗传算子精确操纵变量以平衡快速收敛与广泛探索。在八个基准测试套件和三个实际应用场景下，与六种当前先进算法的广泛实验对比验证了HPCEA的优越性。
Keyword:
Large-scale multiobjective optimization
Sparse optimization
Co-evolutionary algorithm
Heterogeneous population
