.png){kind=icon}
返回
A hierarchical reinforcement learning based subtask-coordinated scheduling method for constrained multi-objective evolutionary algorithm
.png){kind=icon}
OA
AI
DOI：10.1007/s44443-026-01043-4.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，约束多目标优化问题（CMOPs）因可行域结构的复杂性、收敛性与多样性平衡的困难以及缺乏自适应算子调度机制而持续具有挑战性。为解决这些问题，本文提出了一种基于分层强化学习的子任务协调调度方法（HRL-SCMOE）用于约束多目标进化算法。所提出的框架采用两级架构，其中高层代理根据环境状态动态调度子任务——如前向探索、可行性驱动开发和多样性引导——而低层代理自适应地选择针对每个子任务的变异算子。两个代理均采用Double Deep Q-Networks（Double DQN）和优先经验回放（PER）进行训练，以增强稳定性、样本效率和价值估计可靠性。此外，该算法构建了针对不同搜索目标的协作信息池集合，以维持可行域与不可行域之间的平衡探索。还引入了自适应奖励机制和软目标更新，以提高分层策略学习的鲁棒性。在三个基准测试套件和四个实际应用领域的实验结果表明，所提出的方法在收敛性、可行性和多样性方面持续优于九种当前最先进的约束多目标进化算法（CMOEAs），从而证实了其有效性和强通用适用性。
Keyword:
Hierarchical reinforcement learning
Evolutionary algorithms
Subtask scheduling
Prioritized experience replay
Adaptive operator selection
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
J
IF:
6.1
论文数:
831
被引数:
9.5K
机构
引用论文
.png){kind=icon}
Multi-Objective Neural Evolutionary Algorithm for Combinatorial Optimization Problems求解组合优化问题的多目标神经进化算法
PREAI
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MSSRGO: A multimeta-model-based global optimization method using a selection-rank-based infill sampling strategyMssrgo：一种基于多元元模型的全局优化方法，采用基于选择-排序的填充采样策略
PREAI
分享收藏Many-Objective Distribution Network Reconfiguration Via Deep Reinforcement Learning Assisted Optimization Algorithm基于深度强化学习辅助优化算法的多目标配电网重构
PREAI
分享收藏
查看更多内容