.png){kind=icon}
返回
A Transformer-Based Spatiotemporal Perception Framework for Dynamic Constrained Multi-objective Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/tevc.2026.3723845.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态约束多目标优化问题（DCMOPs）在现实工程应用中广泛存在，其中目标函数和约束条件随时间变化，显著增加了问题求解的复杂性。现有方法在历史信息利用、可行解预测精度以及种群多样性维持方面仍存在局限性，特别是在可行域快速剧烈变化的场景中。为应对这些挑战，本文提出了一种基于Transformer的空间-时间感知框架（TSPF）。通过利用Transformer在长序列建模方面的优势，该框架从历史种群中学习时空依赖关系，以预测未来的可行且高价值区域。此外，引入基于环境相似性的记忆重启机制和聚类引导的选择策略，以增强种群的稳定性和多样性。在18个不同变化严重程度和频率的基准问题以及一个实际案例研究上的实验结果表明，所提出的方法相较于几种最先进的算法表现出更优的性能，证明了其在解决复杂动态优化问题中的有效性和鲁棒性。
Keyword:
Dynamic constrained multi-objective optimization
Transformer
Incremental learning
multi-population cluster
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