.png){kind=icon}
返回
A parallel large-scale multiobjective evolutionary algorithm based on two-space decomposition
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-01835-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分解是一种由进化算法用于解决多目标优化问题(MOPs)的有效且流行的策略。它可以降低直接求解MOPs的难度，增加获得解的多样性，并促进并行计算。然而，随着决策变量数量的增加，多目标进化算法(MOEAs)的性能往往急剧下降。在解决此类大规模MOPs(LSMOPs)时，分解策略的优势并未得到充分利用。为此，本文提出了一种基于双空间分解(TSD)的并行MOEA以求解LSMOPs。该算法的主要思想是将目标空间和决策空间分解为多个子空间，每个子空间预期包含一些完整的帕累托最优解，然后使用多个种群在这些子空间中并行搜索。具体而言，目标空间分解方法采用传统的基于参考向量的方法，而决策空间分解方法则采用基于多样性设计子空间(DDS)的提出方法。该算法使用消息传递接口(MPI)实现其并行环境。实验结果表明，提出的基于DDS的方法是有效的。与在解决各种基准问题和现实问题上的最新MOEAs相比，所提出的算法在综合性能和计算效率方面表现出优势。
Keyword:
Multiobjective optimization
Large-scale multiobjective optimization
Evolutionary algorithm
Parallel computing
Two-space decomposition
期刊
IF:
4.6
论文数:
2.1K
被引数:
6.6K
机构
引用论文
.png){kind=icon}
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A Survey on Learnable Evolutionary Algorithms for Scalable Multiobjective Optimization可扩展多目标优化的可学习进化算法综述OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容