An evolutionary algorithm based on learning strategies and a predictive model for constrained optimization problems

Yu Shen

doi:10.1016/j.swevo.2025.102208

An evolutionary algorithm based on learning strategies and a predictive model for constrained optimization problems

2025-10-31

0

PRE

AI

沈

沈瑜 (Yu Shen)

李和成 (Hecheng Li) *

DOI：10.1016/j.swevo.2025.102208

原文链接

原文求助

摘要

En 中文

求解约束优化问题（COPs）的进化算法在进化计算领域非常活跃。将进化算法与学习策略相结合是提高这些算法性能的有效方法。此外，根据现有研究，约束处理对约束优化算法的搜索结果也较为敏感。基于这些考虑，本文提出了一种借助学习策略和预测模式（EALSPM）的进化算法，用于求解COPs。首先，为了减少约束压力并充分利用不同约束之间的互补信息，设计了一种分类-协作约束处理技术，其中将原问题的约束随机划分为K类，然后将原问题分解为K个子问题。相应地生成K个子种群，每个子种群对应一个子问题。其次，将进化过程分为两个阶段：随机学习阶段和定向学习阶段。在这两个阶段中，各子种群分别通过随机学习和定向学习策略进行交互。结果，可为原问题生成一些潜在更优的解。此外，基于优质个体的信息提出了一种改进的连续域估计分布模型，并用于预测进化中的后代。最后，在CEC2010和CEC2017的两套基准测试函数以及两个实际问题上的广泛实验表明，所提出的方法在性能上优于其他当前最先进的方法。

An evolutionary algorithm based on learning strategies and a predictive model for constrained optimization problems

摘要

期刊

机构

引用论文