.png){kind=icon}
返回
A large-scale multi-objective optimization algorithm based on multi-directional sampling
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-026-06376-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大规模多目标优化问题（LSMOPs）在实践应用中面临双重挑战：提升性能和降低计算复杂度。尽管定向采样策略在大型优化中显示出潜力，但它们遇到两大主要困难：采样方向的确定和计算资源分配。受这些问题启发，提出了一种基于多方向采样策略的大规模多目标竞争群优化算法（简称为LSCSO-MDS），旨在提高解决LSMOPs的效率。首先，为克服广阔决策空间中无效搜索方向的困难，设计了一种多方向采样策略以生成有前景的引导个体，有效引导种群向真实帕累托前沿移动。其次，通过整合子代改进策略和历史知识存储框架，解决了计算资源分配的关键问题。而非进行穷尽式评估，采用了一种阶段依赖的激活机制，并辅以基于历史多样性评估的周期性采样操作。因此，冗余计算开销被最小化，适应度评估的利用被严格集中在最有前景的进化阶段。为验证LSCSO-MDS的效率，将所提方法与六种当前主流的大规模多目标进化算法在广泛使用的LSMOP测试套件上进行比较，决策变量维度范围从300、500、1000到1500。实验结果表明，所提算法在收敛性和多样性方面实现了平衡的近似解集，在大多数测试实例中表现出更优的整体性能。
Keyword:
Evolutionary computations
Multi-objective optimization
Large-scale optimization
Sampling
期刊
IF:
2.9
论文数:
225
被引数:
1.1K
机构
暂无机构信息
引用论文
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Many-Objective Real-World Engineering Problems: A Comparative Study of State-of-the-Art Algorithms.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Benchmarking Real-World Many-Objective Problems: A Problem Suite With Baseline ResultsIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏A problem transformation method based on elite-inspired evolutionary algorithm for large-scale multi-objective optimization基于精英启发式进化算法的大规模多目标优化问题转换方法
PREAI
分享收藏An adaptive resource management based evolutionary algorithm for large-scale multi-modal multi-objective optimization基于自适应资源管理的进化算法用于大规模多模态多目标优化
PREAI
分享收藏A corrective direction particle swarm optimization for large-scale multi-objective optimization一种用于大规模多目标优化的修正方向粒子群优化算法
PREAI
分享收藏A Dimensional Coevolution driven Reproduction Operator for Large Scale Multi-objective Optimization一种基于维度协同演化的用于大规模多目标优化的繁殖算子Memetic Computing
Memetic ComputingIF2.3
PREAI
分享收藏
查看更多内容