Data-Driven and Decomposition-Based Multiobjective Multitask Optimization for Automotive Shape Design Problem

Xianpeng Wang

doi:10.1109/TEVC.2025.3580454

Data-Driven and Decomposition-Based Multiobjective Multitask Optimization for Automotive Shape Design Problem

2025-06-17

0

PRE

AI

Qingfu Zhang (Qingfu Zhang)

DOI：10.1109/TEVC.2025.3580454

原文链接

原文求助

摘要

En 中文

进化算法（EA）已被证明在解决复杂优化问题方面是有效的。本文提出了一种生产形状优化框架，并提出了一种基于数据驱动和分解的多目标多任务进化算法，具有多种邻域结构和知识类型，称为MTEA/D-MNK，用于复杂形状优化问题。首先，通过无监督学习训练3-D点云自编码器以提取跨任务的关键设计变量。随后，使用权重向量将每个任务分解为一系列单目标子问题。我们为每个子问题构建了多样化的邻域和知识类型，以充分利用目标和决策空间中的有益信息，加速优化过程。此外，我们提出了一种自适应参数调整策略，以动态管理不同进化阶段转移知识类型和数量。所提出的MTEA/D-MNK有效解决了知识转移的关键问题：转移哪些知识、如何转移以及转移多少。最后，我们在十九个多目标多任务优化（MO-MTO）基准实例上全面测试了MTEA/D-MNK，并将其应用于实际的汽车拓扑形状设计问题，使用计算机模拟同时优化轿车和SUV的风阻系数和体积。实验结果表明，所提出的算法显著优于其他五种最先进的算法，在20个CEC2017基准实例中的18个、所有20个CEC2019实例和一项汽车形状设计案例研究中均取得了最佳性能指标，并在Friedman秩检验中排名第一。

Keyword:

Evolutionary algorithm (EA)

multiobjective multitask optimization (MO-MTO)

point cloud autoencoder

shape design

Data-Driven and Decomposition-Based Multiobjective Multitask Optimization for Automotive Shape Design Problem

摘要

期刊

机构

引用论文