.png){kind=icon}
返回
A multi-task multi-objective evolutionary algorithm for constrained multi-objective optimization problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s12293-025-00471-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
约束多目标进化算法在同时实现目标优化和约束满足方面往往面临挑战，特别是在处理涉及复杂约束的多目标优化问题时。为解决这些问题，本文提出一种多任务多目标进化算法（MTMOEA）以求解约束多目标优化问题。该算法包含三个优化任务：一个原始任务和两个辅助任务。其中，一个辅助任务是移除所有约束后的无约束优化任务，另一个是应用部分约束的优化任务。对于无约束任务，采用优化停止策略以判断是否终止进一步优化，从而避免不必要的计算资源消耗。对于部分约束任务，采用基于分类的动态约束更新策略，以确保任务关注对问题求解影响更大的约束。基于三个任务的特征，提出了包含两种不同知识转移方法的知识转移策略。将所提出的MTMOEA与十种当前先进的约束多目标进化算法在三个基准测试集（LIRCMOP、DOC和DASCMOP）上进行比较评估。实验结果验证了所提出算法的有效性。
Keyword:
Constrained multi-objective evolutionary algorithm
Multi-task
Optimization stopping
Dynamic constraint updating
Knowledge transfer
期刊
IF:
2.3
论文数:
459
被引数:
842
机构
引用论文
A study of statistical techniques and performance measures for genetics-based machine learning: accuracy and interpretability基于遗传学的机器学习的统计技术和性能度量的研究: 准确性和可解释性.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏Multiobjective evolutionary algorithms: A comparative case study and the Strength Pareto approach多目标进化算法: 比较案例研究和强度帕累托方法
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An improved epsilon constraint-handling method in MOEA/D for CMOPs with large infeasible regionsSOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏
查看更多内容