.png){kind=icon}
返回
ADR-DMOEA: A Dynamic Multiobjective Optimization Evolutionary Algorithm Based on Adaptive Dynamic Response Strategy
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2026.3652642.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现实应用中的优化问题常涉及动态环境变化，要求算法快速适应、追踪最优解并保持效率。现有的动态多目标优化进化算法（DMOEAs）通常依赖固定或有限的动态响应机制，难以应对复杂多变的动态环境。为克服此局限，本文提出一种基于自适应动态响应的DMOEA（ADR-DMOEA），采用子种群级自适应机制协调多样性驱动、预测驱动和记忆驱动策略。各子种群的策略权重根据其静态优化距离动态调整，确保不同环境下自适应部署合适策略。该设计克服了固定分配的低效性及个体级扰动的稳定性问题，实现协同稳定进化。在DF基准函数和 blast furnace 铁冶炼案例研究中，大量实验表明ADR-DMOEA相比当前先进算法在收敛性、多样性和鲁棒性上表现更优，有效支持动态条件下的现实决策。
Keyword:
Adaptive dynamic response (ADR)
blast furnace (BF)
combination strategy
dynamic multiobjective optimization
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
.png){kind=icon}
Multi-Objective Dependent Task Scheduling, Resource Allocation, and Service Caching in Aerial-Ground Integrated MEC多目标依赖任务调度、资源分配和服务缓存技术在天空一体化移动边缘计算中的应用
PREAI
分享收藏Robust Multiobjective Competitive Swarm Optimization Based on Evolutionary Trend Prediction基于进化趋势预测的鲁棒多目标竞争群优化
PREAI
分享收藏分享收藏
查看更多内容