.png){kind=icon}
返回
An Evolutionary Algorithm With Adaptive Search Space Switching and Constraint-Guided Operators for Sparse Constrained Multiobjective Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/tsmc.2026.3704713.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
稀疏约束多目标优化问题（SCMOPs）在现实应用中普遍存在，其特征是在满足稀疏约束（即可行解中大多数决策变量为零）的同时优化多个冲突目标。由于许多SCMOPs基于大规模数据集，约束函数通常涉及大量变量，导致高维决策空间存在众多局部可行区域，使约束多目标进化算法（CMOEAs）容易陷入局部最优。尽管已有一些大规模CMOEAs被提出用于在高维决策空间中搜索可行帕累托最优解，但它们通常依赖通用算子生成子代，缺乏针对约束设计的专门算子来高效产生可行解。为解决此问题，本文提出了一种利用SCMOPs稀疏特征进行降维的进化算法，并引入新算子以高效在高维决策空间中生成可行解。此外，该算法可根据进化过程中的经验自适应地在降维约束空间与原始决策空间之间切换搜索模式，从而在解的可行性与最优性之间取得更好平衡。同时，设计了一套测试集用于评估所提算法在SCMOPs上的性能。实验结果表明，所提算法在所提测试集和实际应用中均优于代表性先进进化算法。
Keyword:
Constrained optimization
evolutionary algorithms
large-scale optimization
sparse multiobjective optimization
期刊
I
IF:
8.7
论文数:
157
被引数:
0
机构
引用论文
暂无论文信息