.png){kind=icon}
返回
Adaptive Constraint-Boundary Learning-Based Two-Stage Dual-Population Evolutionary Algorithm
.png){kind=icon}
OA
AI
DOI：10.3390/math13193206.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，已提出多种约束多目标进化算法（CMOEAs）以解决约束多目标优化问题（CMOPs）。然而，其中大多数算法在收敛性、多样性和可行性之间仍难以实现良好平衡。为解决此问题，我们提出了一种基于自适应约束边界学习的两阶段双种群进化算法（CL-TDEA），用于解决CMOPs。CL-TDEA的进化过程分为两个阶段。在第一阶段，两个种群通过环境选择进行弱合作，以增强CL-TDEA在约束条件下的探索能力。具体而言，辅助种群采用自适应约束边界学习机制学习约束边界，进而使主种群能够更有效地探索受约束的搜索空间并穿越不可行区域。在第二阶段，两个种群间的合作通过交配选择驱动搜索向完整的约束帕累托前沿（CPF）进行。在此过程中，辅助种群为主种群提供额外指导，借助所提出的级联多准则分层排序策略，帮助其跳出局部可行但次优的区域。在来自四个基准测试套件的54个测试问题和三个实际应用中的广泛实验表明，所提出的CL-TDEA相较于几种当前先进方法展现出更优的性能和更强的竞争力。
Keyword:
evolutionary algorithm
constraint boundary learning
two-stage
dual-population
cascading multi-criteria hierarchical ranking
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.2
论文数:
3.1K
被引数:
3.6W
机构
引用论文
PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective OptimizationPlatEMO: 用于进化多目标优化的MATLAB平台OAAI
.png){kind=icon}
OAAI分享收藏A constrained multi-objective optimization algorithm using an efficient global diversity strategy
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