.png){kind=icon}
返回
Constraint-tightening based adaptive two-stage evolutionary algorithm for constrained multi-objective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2025.102137.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）在实践应用中普遍存在，但现有方法往往难以处理其多样化特性，例如非连通可行域和靠近真实约束帕累托前沿（CPF）的不可行解。为应对这些挑战，本文提出了一种基于约束边界收紧的适应性两阶段进化算法（CT-TSEA）用于CMOPs，并融合了约束边界收紧策略和参数动态调整策略。在第一阶段，基于评估计数的约束边界收紧策略引导种群向可行域移动。初始时，约束边界被放宽以全面探索解空间，识别出有潜力的解；随着评估次数增加，搜索边界收缩，提升了解的可行性。此外，步长自适应调整方法利用不可行解的信息改善其质量，提高了搜索效率和解的多样性。第二阶段引入了交叉概率和缩放因子的动态调整方法，以平衡探索与开发能力，更好地协调了种群的探索与开发能力。所提出的方法通过与七个先进同侪在四个基准测试套件中的59个测试实例及21个实际问题的比较进行验证。相关结果表明，CT-TSEA在处理复杂CMOPs方面具有更强的竞争力。
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
暂无论文信息