.png){kind=icon}
返回
Attention mechanism based adaptive auxiliary task selection for constrained multi-objective optimization and engineering design problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s12293-025-00480-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
求解约束多目标优化问题（CMOPs）是优化领域的一个热门研究方向。为解决近期约束多目标进化算法（CMOEAs）中使用单一策略的局限性，强化学习（RL）技术已被应用于求解CMOPs并取得了显著成果。然而，现有方法采用相对简单的状态表示来训练RL模型，由于训练不足导致决策能力受损。此外，在策略选择时未考虑任务间的相关性，可能导致负向知识迁移。本文提出了一种基于注意力机制辅助辅助任务选择的CMOEA（AMTCMO）。首先，采用基于自注意力机制的人群特征融合方法生成用于训练RL模型的人群实时状态。然后，增强的状态能为RL模型提供动态环境感知能力，准确反映当前所需的辅助任务。其次，提出了一种基于任务关联驱动的交叉注意力机制的选则策略，可分析每个任务的价值。获取的注意力分数与RL协同决定辅助任务选择以增强可靠性。实验结果表明，所提出的AMTCMO在4个测试套件和2个真实工程问题上的表现优于九种最先进的CMOEAs。
Keyword:
Constrained multi-objective optimization
Adaptive auxiliary task selection
Reinforcement learning
Self-attention mechanism
Cross-attention mechanism
Engineering design problems
期刊
IF:
2.3
论文数:
457
被引数:
718
机构
引用论文
Evolutionary Multitasking with Global and Local Auxiliary Tasks for Constrained Multi-Objective Optimization具有全局和局部辅助任务的进化多任务处理，用于约束多目标优化
.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Dual-stage dual-population diversity maintenance for global and local exploration of constrained multiobjective optimization双阶段双种群多样性维护策略，用于约束多目标优化中的全局与局部探索。
PREAI
分享收藏
查看更多内容