.png){kind=icon}
返回
An indicator-guided many-objective evolutionary algorithm with adaptive mapping distance
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-026-08362-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
帕累托前沿（PF）的形状对维持种群多样性有显著影响，这使得大多数算法在解决多目标优化问题（MaOPs）时难以有效平衡种群的收敛性和多样性。因此，本文提出了一种基于指标引导的自适应映射距离多目标进化算法，称为MaOEA-IAMD。在该算法中，设计了一种自适应映射距离计算策略以维持种群多样性。该策略采用牛顿-拉夫森方法估计PF曲率，并基于获得的曲率信息将个体映射到PF上，从而计算两个个体之间的自适应映射距离，以衡量其在搜索方向上的相似性。同时，我们利用二元加性ε指标和自适应映射距离开发了一种选择-替换策略，以平衡种群的收敛性和多样性。此外，设计了一种基于 knee points 的分类变异策略以生成高质量子代，进一步提高了MaOEA-IAMD的搜索效率。我们将MaOEA-IAMD与六种最先进的算法在21个基准测试问题和2个实际优化问题上进行比较。实验结果表明，所提出的算法具有竞争力和有效性。
Keyword:
Many-objective optimization
Evolutionary algorithm
Indicator
Adaptive mapping distance
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
A many-objective evolutionary algorithm based on interaction force and hybrid optimization mechanism
.png){kind=icon}
PREAI
分享收藏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Multiobjective evolutionary algorithms: A comparative case study and the Strength Pareto approach多目标进化算法: 比较案例研究和强度帕累托方法
PREAI
分享收藏
分享收藏分享收藏分享收藏
查看更多内容