.png){kind=icon}
返回
A New Prediction Strategy for Dynamic Multiobjective Optimization Using Diffusion Model
.png){kind=icon}
PRE
AI
DOI：10.1109/TEVC.2025.3551323.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决动态多目标优化问题（DMOPs），优化算法需要有效跟踪环境变化后的帕累托集移动。许多基于预测的动态多目标进化算法（DMOEAs）已被提出，通过利用环境信息进行种群重初始化来应对这一挑战。然而，当环境变化复杂、不规则且剧烈时，进化过程中的解和信息往往包含噪声，使得基于预测的DMOEAs难以准确预测和重初始化种群。为解决此问题，我们提出了一种新颖的动态多目标进化算法（DM-DMOEA），采用基于扩散模型的预测策略。在DM-DMOEA中，为提高预测精度，引入扩散模型提取高质量解的关系并重初始化种群，同时采用PS估计方法整合历史和新环境信息，为扩散模型训练提供一组高质量解。为加快响应时间，使用变分自编码器（VAE）将决策空间映射到潜在空间，以减小扩散模型规模并加速扩散过程。为评估所提DM-DMOEA在DMOPs中的有效性，在多个基准问题和实际问题中进行了全面实验。结果表明，DM-DMOEA在多数情况下优于其他四种最先进的DMOEAs。
Keyword:
Diffusion model
dynamic multiobjective optimization
evolutionary algorithm
期刊
IF:
12
论文数:
1.9K
被引数:
2.4W
机构
引用论文
A directed search strategy for evolutionary dynamic multiobjective optimization.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏分享收藏
A heredity-based adaptive variation operator for reinitialization in dynamic multi-objective problems基于遗传的自适应变异算子，用于动态多目标问题的重新初始化
PREAI
分享收藏
查看更多内容