.png){kind=icon}
返回
An improved dynamic multi-objective robust evolutionary algorithm and application based on PSTL
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2025.102195.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
一个随着环境参数变化而其最优解演化的优化问题被称为动态多目标优化问题（DMOP）。解决DMOP的常用方法通常分为两类：动态多目标进化算法（DMOEA）和动态多目标鲁棒进化算法（DMOREA）。DMOEA通过动态响应策略跟踪动态帕累托最优解，但会导致较高的切换成本。DMOREA则寻求在多个环境中均适用的鲁棒解，但优化效果较差。为解决这些问题，提出了一种基于初步搜索和迁移学习的改进型动态多目标鲁棒进化算法。首先，利用初步搜索策略生成高质量的目标领域引导种群，以避免负迁移的发生。迁移学习用于生成分布良好的种群并加速收敛速度。随后，提出了一种基于环境变化严重程度的切换策略，该策略评估DMOREA的鲁棒解在未来环境中的适用性，并在由初步搜索和迁移学习生成的解与现有鲁棒解之间进行切换。所提出的策略在提升算法优化效果的同时保持了其鲁棒性。通过与其他算法的比较验证了所提算法的有效性。
