.png){kind=icon}
返回
An adaptive response algorithm based on dual-space detection for dynamic multiobjective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2025.102092.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高效追踪动态变化的帕累托最优集（POS）或帕累托最优前沿（POF）是动态多目标优化中的核心任务。大多数动态多目标进化算法（DMOEAs）实现了专门的响应机制以缓解环境变化的影响。为解决POS和POF变化严重程度差异这一关键且研究不足的影响，我们提出了一种基于双空间检测的自适应响应算法，命名为ARA-DMOEA。该方法整合了双空间变化严重程度检测机制，量化POS和POF的变化，并将变化动态分类为微小或显著。基于此实时评估，ARA-DMOEA自适应地激活定制的响应策略。具体而言，当任一空间检测到显著变化时，门控循环单元（GRU）预测模型通过利用历史解模式生成高质量初始种群。对于微小的POS变化，中心点引导差分预测（CDP）策略利用种群迁移趋势维持解的多样性。对于微小的POF变化，随机解生成（RSG）策略通过围绕预测的理想点和最差点扩展采样范围来增强多样性。通过根据双空间严重程度检测协同结合这些策略，ARA-DMOEA动态优化其对环境变化的响应。在一系列动态多目标问题中与六种最新算法的比较表明，ARA-DMOEA在适应环境变化的同时实现了更好的收敛性和多样性。
Keyword:
dynamic multiobjective optimization
Pareto-optimal set
Pareto-optimal front
adaptive response algorithm
dual-space detection
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
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A Survey on Learnable Evolutionary Algorithms for Scalable Multiobjective Optimization可扩展多目标优化的可学习进化算法综述
OAAI
OAAI分享收藏A cluster prediction strategy with the induced mutation for dynamic multi-objective optimization
PREAI
分享收藏A dynamic multi-objective evolutionary algorithm based on gene sequencing and gene editing一种基于基因测序和基因编辑的动态多目标进化算法
PREAI
分享收藏
查看更多内容