A Subspace Sparsity-Driven Knowledge Transfer Strategy for Dynamic Constrained Multiobjective Optimization

Guoyu Chen

doi:10.1109/TEVC.2025.3525635

A Subspace Sparsity-Driven Knowledge Transfer Strategy for Dynamic Constrained Multiobjective Optimization

2025-01-01

0

PRE

AI

DOI：10.1109/TEVC.2025.3525635

原文链接

原文求助

摘要

En 中文

动态约束多目标优化问题（DCMOPs）要求算法在动态环境下快速追踪可行帕累托最优解。现有的动态约束多目标进化算法（DCMOEAs）通常侧重于收敛速度，但难以保证分布性。为解决此问题，本文提出了一种基于子空间稀疏度驱动的知识转移策略的DCMOEA，称为SSDKT。首先，引入参考点将目标空间划分为多个子空间。随后，通过该子空间内所有历史可行最优解的分布情况确定其可行性，并将其定义为子空间稀疏度。进一步构建基于门控循环单元（GRU）网络的预测器，用于估计未来环境下的子空间稀疏度。当新环境出现时，设计子空间转移策略生成初始种群。在每个可行子空间中，开发GRU基于的预测方法，并与卡尔曼滤波器竞争以生成新环境下的初始解。基于最近可行邻域的预测解，通过转移对应知识生成每个不可行子空间的潜在初始个体。在多种基准测试上的实验结果验证，与几种最先进的DCMOEAs相比，所提算法在解决DCMOPs方面取得了最具竞争力的性能。

Keyword:

Dynamic constrained multiobjective optimization

evolutionary algorithm

gated recurrent unit (GRU)

knowledge transfer

subspace sparsity

A Subspace Sparsity-Driven Knowledge Transfer Strategy for Dynamic Constrained Multiobjective Optimization

摘要

期刊

机构

引用论文