.png){kind=icon}
返回
An Adaptive Feasibility-Guided Framework for Constrained Multi-Objective Optimization
.png){kind=icon}
PRE
AI
DOI：10.3390/math14081304.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
求解约束多目标优化问题（CMOPs）具有高度挑战性，这是由于存在复杂的可行域、目标间剧烈冲突以及约束分布不均。因此，依赖单一约束处理机制的常规方法往往难以在解的可行性、多样性和收敛性之间保持稳定平衡。为克服这些瓶颈，本文提出AFFCMO，一种面向约束多目标优化的新型自适应可行性引导框架。该框架的核心采用协同进化双种群架构，将搜索过程划分为两个独立任务。具体而言，辅助种群负责全局探索，而主种群专注于对发现的可行区域的密集开发。为此，主种群利用DE/current-to-pbest/1差分进化策略逼近约束帕累托前沿。同时，辅助种群通过适应当前进化阶段的变异算子扩展搜索空间。此外，探索能力通过专为辅助种群设计的多准则环境选择方案得到增强。通过结合欧几里得几何分布、约束松弛以及受流行病学动力学启发的价值建模，该策略成功保留了可指导搜索的有价值不可行解。此外，还引入了基于历史搜索反馈和汤普森采样的动态资源分配策略。该机制持续评估两个种群的近期搜索贡献，并自适应调整其子代规模，从而减少静态分配方案引入的偏差。在来自四个不同测试套件的47个基准问题上进行的全面实证评估显示，AFFCMO在探索复杂可行域、保持解的多样性以及实现高收敛精度方面显著优于七种当代多目标进化算法。
Keyword:
constrained multiobjective optimization
dual-population coevolution
feasibility-guided
resource allocation
environmental selection
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
OAAI分享收藏Multiobjective evolutionary algorithms: A comparative case study and the Strength Pareto approach多目标进化算法: 比较案例研究和强度帕累托方法
PREAI
分享收藏Two-Stage Cooperation Multiobjective Evolutionary Algorithm Guided by Constraint-Sensitive Variables.png)
IF0
PREAI
分享收藏分享收藏分享收藏Constraint-Pareto Dominance and Diversity Enhancement Strategy-Based Evolutionary Algorithm for Solving Constrained Multiobjective Optimization Problems基于约束-Pareto支配与多样性增强策略的进化算法，用于求解约束多目标优化问题
PREAI
分享收藏
查看更多内容