.png){kind=icon}
返回
A many-objective evolutionary algorithm based on decision variable classification mutation and indicator
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07705-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大多数多目标进化算法通过改进环境选择策略来平衡收敛性和多样性，而对子代对算法性能的贡献关注较少。本研究提出了一种基于决策变量分类变异和指标的多目标进化算法（MaOEA-DI），该算法在平衡收敛性和多样性的同时提高子代质量，以增强算法性能。在MaOEA-DI中，设计了一种双存档引导的决策变量分类变异策略。该策略利用来自收敛精英存档和多样性精英存档的精英个体的决策变量信息（这些存档每代更新）来引导变异过程，以生成高质量子代。为增强候选解集的质量，新生成的子代使用当前种群信息进行筛选。此外，开发了一种基于指标和密度的环境选择策略以平衡收敛性和多样性。在27个基准问题、两个实际优化问题和多线距离最小化问题上的实验结果表明，MaOEA-DI优于六种先进算法。
Keyword:
Many-objective optimization
Evolutionary algorithm
Classification mutation
Indicator
期刊
IF:
2.7
论文数:
1.2K
被引数:
1.0W
机构
引用论文
A two-stage R2 indicator based evolutionary algorithm for many-objective optimization一种基于两阶段R2指标的多目标优化进化算法
OAAI
.png){kind=icon}
OAAI分享收藏A many-objective evolutionary algorithm based on interaction force and hybrid optimization mechanism
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分享收藏分享收藏A Strengthened Dominance Relation Considering Convergence and Diversity for Evolutionary Many-Objective Optimization进化多目标优化中考虑收敛性和多样性的增强优势关系OAAI
OAAI分享收藏
查看更多内容