.png){kind=icon}
返回
A two-stage coevolutionary algorithm based on adaptive weights for complex constrained multiobjective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.112825.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在约束多目标优化问题（CMOPs）中，需要同时满足各种复杂的约束条件，这进一步挑战了进化算法在可行性、收敛性和多样性之间的平衡。进化计算的最新进展促使了多阶段和多种群策略的开发，以处理CMOPs。然而，大多数算法在处理可行解比例低或可行域不连续的问题时表现出较差的性能。为解决此问题，我们提出了一种基于自适应权重（AW-TCEA）的两阶段协同进化算法，旨在平衡收敛性、多样性和可行性，以处理具有复杂帕累托前沿（PFs）的CMOPs。具体而言，第一阶段使用两个种群分别探索目标空间和可行域，其中一个由目标信息驱动，另一个由可行信息驱动。第二阶段采用一组权重向量来搜索未探索的可行域以增强多样性。此外，为处理复杂的约束PFs，提出了一种新的自适应权重调整策略，以探索无效方向并开发潜在区域。在50个测试问题和5个实际问题的实验比较中，结果表明所提出的算法在各种CMOPs上表现出更好的性能。
Keyword:
Constrained multiobjective optimization
Two-stage coevolutionary algorithm
Complex constrained PF
Adaptive weight adjustment strategy
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
暂无机构信息
引用论文
.png){kind=icon}
PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective OptimizationPlatEMO: 用于进化多目标优化的MATLAB平台
OAAI
OAAI分享收藏Constrained Multiobjective Optimization via Multitasking and Knowledge Transfer基于多任务和知识转移的约束多目标优化
PREAI
分享收藏
查看更多内容