.png){kind=icon}
返回
A maximum mean discrepancy indicator-based evolutionary algorithm for solving dynamic multi-objective optimization problems with undetectable changes
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102530.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大多数关于动态多目标优化问题的现有研究假设环境变化可以被检测到。然而，在实际应用中，许多环境变化是不可检测的，这对传统的动态多目标进化算法构成了重大挑战。关键问题是如何在不牺牲收敛性的前提下提高种群多样性。为应对这一挑战，提出了一种基于最大均值差异指标的进化算法（MMDEA）。首先，设计了一种基于MMD指标的前沿进化评估策略，以监控进化过程的状态。基于MMD能有效测量分布之间距离的能力，我们利用它来识别种群的状态。通过计算当前和先前近似最优前沿之间的MMD指标值，可将种群状态分类为收敛状态或多样性状态。当种群处于收敛状态时，采用一种收敛增强策略，基于非支配解与其最近的支配解之间的偏差来引导非支配解的进化。当种群处于多样性状态时，提出一种多样性增强策略，基于非支配解与其最近的支配解之间的偏差来引导支配解的进化。实验结果针对多种动态多目标优化问题进行了展示，并与几种最先进的算法进行了比较。综合结果表明，所提出的算法在解决这些不可检测变化的问题时具有高度有效性和优越性。
Keyword:
Maximum mean discrepancy
Evolutionary algorithm
Dynamic multi-objective optimization problems
Undetectable changes
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
暂无论文信息