An imitation-based framework for large-scale sparse multi-objective optimization

Yihan Chen

doi:10.1016/j.swevo.2026.102525

An imitation-based framework for large-scale sparse multi-objective optimization

2026-09-07

0

PRE

AI

DOI：10.1016/j.swevo.2026.102525

原文链接

原文求助

摘要

En 中文

许多现实世界问题可以建模为大规模稀疏多目标优化问题（大规模稀疏MOPs）。针对此类问题的近期研究开发了显著优于传统多目标进化算法（MOEAs）的算法。然而，这些最新算法通常将决策变量视为独立实体并孤立地优化它们。此外，它们未能充分利用非支配解中嵌入的信息，这阻碍了性能的进一步提升。本文引入了一种基于模仿的框架，称为SIF。该框架利用非支配解中的二元变量的值组合和实变量的分布特征来生成额外的有前途的后代解。现有的大规模稀疏MOEAs可以与SIF集成以实现增强的性能。在SMOP基准问题和三个实际应用上的实验结果验证了所提出的SIF框架的有效性。

Keyword:

Large-scale sparse multi-objective optimization

Evolutionary algorithm

Pareto front

Imitation-based framework

An imitation-based framework for large-scale sparse multi-objective optimization

摘要

期刊

机构