A heterogeneous sparsity knowledge guided evolutionary algorithm for sparse large-scale multiobjective optimization

doi:10.1016/j.swevo.2025.102000

A heterogeneous sparsity knowledge guided evolutionary algorithm for sparse large-scale multiobjective optimization

2025-07-01

0

PRE

AI

DOI：10.1016/j.swevo.2025.102000

原文链接

原文求助

摘要

En 中文

对稀疏大规模多目标优化问题（LSMOPs）的研究正迅速增长，这是由于其科学和工程领域的多样化应用。现有研究通常采用静态或动态知识来指导进化算法求解稀疏LSMOPs的搜索过程。然而，仅依赖单一类型的稀疏知识可能导致指导模糊和次优优化。为解决这一问题，我们提出了一种基于异构稀疏知识（HSKEA）的进化算法。在该方法中，静态知识由评分向量表示，用于评估每个决策变量的重要性，而动态知识通过指示向量捕捉，以识别决策变量是否为零或非零，并基于种群分布进行迭代更新。两种类型的种群，包括主种群和辅助种群，均利用动态和静态知识进行初始化，并通过由异构稀疏知识及信息共享引导的新型遗传算子进行进化。实验结果将HSKEA与四种当前最先进算法在八个基准测试问题和三个实际场景中的对比，证明了其有效性。

A heterogeneous sparsity knowledge guided evolutionary algorithm for sparse large-scale multiobjective optimization

摘要

期刊

机构

引用论文