.png){kind=icon}
返回
A knowledge driven two-stage co-evolutionary algorithm for constrained multi-objective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126908.png)
.png){kind=icon}
原文求助.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）受到了广泛关注。然而，大多数CMOPs求解方法仍无法有效平衡目标与约束，因为约束使得CMOPs具有复杂的约束帕累托前沿（CPF）。这表明利用相关的CPF信息可能有助于求解CMOPs。受人类将信息归纳为不同知识以应对不同问题的能力启发，提出了一种面向知识驱动的两阶段协同进化算法（KTCOEA）用于CMOPs，包括知识生成和知识应用两个阶段。知识生成阶段旨在生成两类知识：显性知识和隐性知识。为此，主种群和辅助种群交替向CPF和无约束帕累托前沿协同进化，并通过存储非支配解和分析两类种群的关联性分别生成两类知识。基于隐性知识，为知识应用阶段设计了合理的进化策略和环境选择方式，其中显性知识作为主种群。通过这种方式，主种群能够找到完整的CPF（即实现目标与约束的良好平衡）。此外，为保证生成知识的质量，提出了一种动态协作机制，能够根据性能要求和进化状态动态调整两类种群对目标与约束的关注重点。在五个基准测试套件和五个实际应用中的实验结果表明，KTCOEA在大多数测试问题上优于七种当前最先进的算法。
Keyword:
Constrained multi-objective optimization
Co-evolutionary algorithm
Knowledge
Two-stage
Dynamic cooperation strategy
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
Constrained Multiobjective Optimization for IoT-Enabled Computation Offloading in Collaborative Edge and Cloud Computing协同边缘和云计算中基于IoT的计算卸载的约束多目标优化
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
查看更多内容