.png){kind=icon}
返回
Constrained subset-based two-stage evolutionary algorithm for constrained multi-objective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.115582.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在约束多目标优化问题中，当约束数量较大时，难以有效区分不同类型约束对搜索过程的影响，从而降低算法的搜索效率与收敛性能。为此，本文基于约束子集提出了约束多目标优化的基于约束子集的两阶段进化算法（CSTE）。首先，设计了基于符号协作水平的约束子集动态分组策略。通过分析约束间的协作关系，将原始约束集动态划分为多个约束子集，以实现不同类型约束的协同处理。其次，提出了双域双梯度驱动的辅助种群搜索，结合可行性梯度和目标梯度引导辅助种群的搜索方向，以提高算法对可行域和目标空间的协同探索能力。此外，构建了精英解动态迁移协同优化，通过动态迁移辅助种群中的高质量解，引导主种群逐步逼近真实的可行帕累托前沿。最后，在33个基准问题和三类真实工程约束多目标优化场景的实验结果表明，所提算法在可行性搜索、收敛性能和解集分布方面具有较好的综合优化能力。
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
.png){kind=icon}
分享收藏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
PREAI
分享收藏
A practical tutorial on the use of nonparametric statistical tests as a methodology for comparing evolutionary and swarm intelligence algorithms关于使用非参数统计检验作为比较进化和群体智能算法的方法的实用教程
PREAI
分享收藏
查看更多内容