.png){kind=icon}
.png){kind=icon}
返回
An adaptive constrained multi-objective evolutionary algorithm based on problem attribute discrimination
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-026-06443-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
平衡可行性、多样性和收敛性是求解约束多目标优化问题（CMOPs）的主要挑战。针对具有不同属性的CMOPs，这三方面的侧重点应有所不同。本文提出了一种基于问题属性判别的自适应约束多目标进化算法（PRAC-CMOEA）。首先，定义了三种CMOP属性（可行性难度、多样性难度和收敛性难度），其中可行性和多样性难度属于全局属性，而收敛性难度属于局部属性。然后，PRAC-CMOEA在进化早期阶段判别问题所表现的全局属性类型，并采用适当的策略应对不同的属性组合。在进化后期监测局部属性，若检测到收敛性难度则激活逃逸策略。选取具有不同属性的基准问题进行实验研究。实验结果表明，PRAC-CMOEA在基准问题上与同类算法相比具有强竞争力。此外，PRAC-CMOEA被用于优化多线切割绕线张力控制系统的优化。结果表明，优化后的系统具有短上升时间、小最大超调量、短调节时间以及更好的鲁棒稳定性。
Keyword:
Constrained multi-objective optimization
Dual population
Evolutionary algorithm
Winding tension control system optimization
Problem attribute classification