.png){kind=icon}
返回
Cooperative surrogate-assisted evolutionary multitasking for expensive constrained multiobjective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102448.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
昂贵约束多目标优化问题出现在许多工程应用中，其中每个函数评估都需要耗时的仿真。现有的代理辅助进化算法往往要么忽略无约束和约束帕累托前沿之间的结构关系，要么依赖于单一的静态代理策略来处理目标和约束。本文提出了一种协作式双任务进化框架，该框架在解决主要约束任务的同时解决一个辅助无约束任务。两个任务共享目标代理模型以减少模型构建开销，而从不约束帕累托前沿中提取的方向性知识指导约束搜索向可行且收敛良好的区域进行。一种基于种群状态驱动的机制进一步根据可行率与代理精度在任务之间分配有限的评估预算。在来自四个测试套件的50个合成基准实例和五个实际工程问题的实验表明，所提出的方法在逆世代距离和超体积指标上均优于八个最先进竞争算法的平均Friedman排名。该方法在包含大范围不可行区域的问题上表现出尤为显著的优越性。
Keyword:
Constrained multiobjective optimization
Surrogate-assisted evolutionary algorithm
Evolutionary multitasking
Expensive optimization
Knowledge transfer
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