Dimensionality Reduction Using Variational Autoencoders in Constrained Evolutionary Multiobjective Optimization

Yanhui Tang

doi:10.1109/tevc.2026.3725542

Dimensionality Reduction Using Variational Autoencoders in Constrained Evolutionary Multiobjective Optimization

2026-08-20

0

PRE

AI

DOI：10.1109/tevc.2026.3725542

原文链接

原文求助

摘要

En 中文

约束多目标优化问题（CMOPs）涉及线性等式约束，在许多实际应用中普遍存在。线性等式约束将可行区域限制在嵌入原始决策空间中的一个低维流形上，这对进化算法（EAs）中的常规约束处理机制构成了重大困难。为克服这一挑战，我们提出了一种变分自编码器（VAE）辅助的进化框架，称为L-MOEA-VAE。VAE从进化过程中收集的非支配解中学习可行区域的低维潜在表示。后代在学习的潜在空间和原始决策空间中生成，并通过一个概率参数自适应地分配两空间的搜索努力。该概率根据VAE生成后代的存活率在线更新。此外，采用基于投影的修复算子将不可行解映射回可行流形。在一系列带有线性等式约束的多目标测试问题的实验结果表明，所提出的框架在收敛性和多样性方面均优于现有的基准或近期约束多目标进化算法。

Keyword:

Constrained Multiobjective Optimization

Evolutionary Algorithms

Variational Autoencoder

Dimensionality Reduction

Dimensionality Reduction Using Variational Autoencoders in Constrained Evolutionary Multiobjective Optimization

摘要

期刊

机构

引用论文