.png){kind=icon}
返回
A multi-source surrogate-assisted evolutionary algorithm for expensive optimization: An optinformatics perspective
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102491.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
代理辅助进化算法（SAEAs）已作为一种强大的范式用于解决昂贵优化问题（EOPs）。然而，现有SAEAs在优化过程中往往难以充分挖掘有限历史数据中嵌入的进化知识，这限制了其解决复杂EOPs时找到高质量解的能力。为应对此挑战，本研究从信息优化视角提出了一种知识驱动的昂贵优化框架，旨在提取隐含但有用的知识并自适应地利用其驱动进化过程。据此，我们提出了一种多源代理辅助进化算法（MSAEA），系统性地综合了从目标空间、决策空间和进化序列中分别提取的性能知识、空间知识和时间知识。MSAEA自适应地利用这些知识驱动三个定制化优化组件：两阶段全局代理引导搜索、自适应聚焦搜索和自适应多样性搜索。在经典基准问题、CEC 2017测试套件及实际应用中的广泛实验表明，MSAEA显著优于当前最先进的SAEAs，实现了更优的解质量和鲁棒性。
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
.png){kind=icon}
A Meta-Knowledge Transfer-Based Differential Evolution for Multitask Optimization基于元知识转移的差分进化多任务优化算法
OAAI
OAAI分享收藏
分享收藏Composite indicator-guided infilling sampling for expensive multi-objective optimization用于昂贵的多目标优化的复合指标引导填充采样
PREAI
分享收藏
查看更多内容