A temporal graph attention network-assisted evolutionary algorithm for dynamic constrained multi-objective problems

doi:10.1016/j.knosys.2026.116892

A temporal graph attention network-assisted evolutionary algorithm for dynamic constrained multi-objective problems

2026-08-01

0

PRE

AI

DOI：10.1016/j.knosys.2026.116892

原文链接

原文求助

摘要

En 中文

动态约束多目标优化问题涉及时变目标函数和约束，并出现在许多实际工程应用中。然而，现有算法通常无法快速识别帕累托最优集，且在环境频繁变化时可能收敛缓慢。为解决这些挑战，本文提出一种基于时序图注意力网络的进化算法，简称T-DCMOEA。T-DCMOEA构建时序图来表示解群体的演化，并利用注意力机制捕捉解之间的时序依赖关系，从而建立用于预测解质量的离线模型。随后，基于Rényi散度的更新触发指示器确定预测模型是否应在线更新。最后，所得模型在环境响应期间指导有前景解的选择，同时精英保留策略生成额外候选解。实验结果表明，T-DCMOEA在多个性能指标上优于当前最先进的算法，并在动态环境中生成具有良好收敛性和多样性的解集。

Keyword:

Dynamic constrained multi-objective

optimization

Graph attention network

Evolutionary algorithms

Environmental response

A temporal graph attention network-assisted evolutionary algorithm for dynamic constrained multi-objective problems

摘要

期刊

机构

引用论文