.png){kind=icon}
返回
A population partition and prediction strategy-based evolutionary algorithm for dynamic multi-objective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102476.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态多目标优化问题（DMOPs）因其帕累托集（PS）和帕累托前沿（PF）随时间变化而具有挑战性，要求算法在快速响应的同时保持收敛性和多样性。现有的基于预测的动态多目标进化算法（DMOEAs）通常依赖线性假设或个体级建模，这可能会限制其对非仿射或结构变化的PS轨迹的响应能力。为解决此问题，本文提出了一种基于种群划分和预测策略的动态多目标进化算法，称为PPDMOEA。该算法采用协同响应机制，其中精英解主要支持收敛性恢复，常规解则保持多样性。首先，采用二维评估策略，综合考虑收敛性和分布来选择用于预测的代表精英解。然后，使用一种与顺序无关的集合编码LSTM模型来描述精英解集的时间演化，而不依赖固定的元素位置。最后，引入动态解重分配策略以提升在新环境中的多样性和适应性。在CEC2018动态多目标基准测试中，与七种代表性DMOEAs对比实验表明，所提算法在该基准上取得了具有竞争力的MIGD和MHV性能，但其优势并非在所有问题实例中均表现一致。
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
分享收藏A directed search strategy for evolutionary dynamic multiobjective optimization.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏分享收藏分享收藏A Co-evolutionary Multi-population Evolutionary Algorithm for Dynamic Multiobjective Optimization一种求解动态多目标优化问题的协同进化多种群进化算法
PREAI
分享收藏
查看更多内容