.png){kind=icon}
返回
CLMOAS: collaborative large-scale multi-objective optimization algorithms with adaptive strategies
.png){kind=icon}
OA
AI
DOI：10.3389/fcomp.2025.1692784.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在多目标进化优化领域，先前研究主要集中于目标函数的可扩展性，而对决策变量的可扩展性关注相对较少。然而，在实际应用中，复杂的优化问题通常涉及多个目标和大规模决策变量。为应对这些挑战，本文提出了一种创新的大规模多目标进化优化算法。该算法利用聚类技术对决策变量进行分类，并引入一种新的支配关系以提高优化效率和性能。通过将决策变量划分为收敛相关和多样性相关组，并对每组应用不同的优化策略，该算法实现了收敛性与多样性之间的更好平衡。此外，该算法引入了一种新的基于角度的支配关系，以减少优化过程中的支配阻力。在多个主流多目标优化测试集（如标准DTLZ和UF问题集）上的实验结果表明，CLMOAS算法相对于MOEA/D和LMEA等主流算法具有更小的IGD值，从而证明了所提出算法优于现有的几种多目标进化算法，并展示了其在解决具有多个目标和大规模决策变量的复杂优化问题中的有效性。
Keyword:
evolutionary multi-objective optimization
many-objective optimization
large-scale optimization
clustering
dominance relationship
期刊
F
IF:
2.7
论文数:
184
被引数:
0
机构
引用论文
Continuous variation operator configuration for decomposition-based evolutionary multi-objective optimization基于分解的进化多目标优化的连续变异算子配置
PREAI
分享收藏Multiobjective Optimization for Joint Task Offloading, Power Assignment, and Resource Allocation in Mobile Edge Computing移动边缘计算中联合任务卸载、功率分配和资源分配的多目标优化
PREAI
分享收藏Evolutionary many-objective optimization: A short review.png)
2008 IEEE Congress on Evolutionary Computation (IEEE World Congress on Computational Intelligence)
2008 IEEE Congress on Evolutionary Computation (IEEE World Congress on Computational Intelligence)IF0
PREAI
分享收藏Objective contribution decomposition method and multi-population optimization strategy for large-scale multi-objective optimization problems大规模多目标优化问题的目标贡献分解方法与多群体优化策略
PREAI
分享收藏
查看更多内容