.png){kind=icon}
返回
An information-competitive dual-population evolutionary algorithm for constrained multiobjective optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s12293-026-00504-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
约束多目标优化问题（CMOPs）在工程和科学应用中普遍存在，其核心难点在于同时优化多个相互冲突的目标并满足复杂约束。现有的多群体协同进化算法在协调可行域内的开发与可行边界外的探索搜索时，常面临资源分配不均衡和适应性不足的问题，从而限制了其整体有效性。为解决这些问题，本文提出了一种信息竞争双群体进化算法（ICDEA）。该框架在主群体和辅助群体之间建立了一种信息竞争的交互机制，以实现搜索资源的自适应分配。主群体在可行域内进行密集开发以促进收敛和约束满足，而辅助群体则对不可行域和边界邻近区域进行更广泛的探索，以维持搜索覆盖和支持多样性保持。此外，设计了一种动态后代分配策略InfoGameAlloc，通过综合考虑收敛趋势、可行性状态、群体多样性、分布信息量和改进潜力来调控群体间资源分配。在CF、DAS-CMOP、LIR-CMOP和MW测试套件中的47个基准问题和12个实际工程问题的广泛实验评估，并与9种竞争性约束多目标进化算法进行比较，结果表明ICDEA在收敛性、解分布质量和可行解比率方面取得了具有竞争力的均衡整体性能。这些结果说明，所提出的框架为协调约束多目标优化中的可行域开发与探索搜索提供了一种有效且自适应的方法。
Keyword:
Constrained multiobjective optimization
Dual-population optimization method
Computing resource allocation
Information Competitive
