.png){kind=icon}
返回
A novel framework for generating tunable and scalable benchmark problems for multimodal multiobjective optimization
.png){kind=icon}
OA
AI
DOI：10.1016/j.swevo.2026.102349.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究推进了多模态多目标优化（MMO）方法的性能分析、评估与比较。它引入了一种新颖的流程，用于从标准多目标优化问题（MOPs）中系统地生成可扩展且可调节的MMO问题（MMOPs）。该流程能够模拟与MMO相关的各种挑战，其中一些挑战即便不使用现有基准生成器也难以建模。研究建议了五个复合问题，每个均基于广泛使用的标准MOP。本研究还提出了一种新颖的参数化性能指标，称为倒置世代有效距离（IGED），该指标在目标空间和决策空间中联合考虑收敛性与多样性。指标内的一个控制参数允许调整两个空间中收敛性与多样性的相对重要性。受控模拟探究了该参数的必要性与影响。最后，利用IGED在所提出的MMOPs上评估了几种有前景的MMO方法的性能，为未来研究提供了参考点。
Keyword:
Multimodal multiobjective optimization
Benchmark problems
Performance indicator
Continuous optimization
Evolutionary algorithms
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
A nearest-best neighbors optimization algorithm for constrained multimodal multiobjective problems一种用于约束多模态多目标问题的最近最佳邻居优化算法
.png){kind=icon}
PREAI
分享收藏分享收藏A grid self-adaptive exploration-based algorithm for multimodal multiobjective optimization基于网格自适应探索的多峰多目标优化算法
PREAI
分享收藏Plotting Impossible? Surveying Visualization Methods for Continuous Multi-Objective Benchmark Problems密谋不可能？连续多目标基准问题的测量可视化方法
PREAI
分享收藏Real-parameter evolutionary multimodal optimization - A survey of the state-of-the-art实参数进化多模态优化-最新技术综述
PREAI
分享收藏A multimodal multi-objective evolutionary algorithm with two-stage dual-indicator selection strategy
PREAI
分享收藏
查看更多内容