.png){kind=icon}
返回
A Solution Space Partitioning-Based Multipopulation Method for Dynamic Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/TEVC.2025.3597453.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态优化关注解决搜索空间随时间变化的问题。多群体方法是处理此类问题最广泛采用的方法。传统多群体方法往往缺乏对问题结构特征（如吸引盆边界）的深入理解，导致在前景不佳的区域进行冗余搜索。在缺乏这些结构特征引导的情况下，大多数群体被随机重新生成，造成探索效率低下。此外，各群体的搜索范围保持固定且不适应吸引盆，导致对某些峰值的跟踪丢失。为解决这些挑战，本文提出了一种基于解空间划分的多群体方法。该算法将解空间划分为子空间，并利用历史群体数据为每个子空间分配不确定性属性。它进一步学习问题的吸引盆边界，以引导群体在吸引盆内进行开发，同时在其外部进行探索。一种双层排除机制基于吸引盆动态调整搜索和排除范围，确保精确控制、防止重叠并保持多样性。实验结果表明，所提出的算法在广义移动峰值基准测试和真实世界问题（海洋磁补偿问题）上显著优于当前最先进的算法。
Keyword:
Dynamic optimization
multipopulation
solution space partition
期刊
IF:
12
论文数:
1.9K
被引数:
2.4W
机构
引用论文
暂无论文信息