.png){kind=icon}
返回
Distance-aware cooperative Kriging-assisted evolutionary algorithm for expensive many-objective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102473.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，代理模型辅助进化算法（SAEAs）在解决昂贵多目标优化问题方面受到了越来越多的关注。然而，这些方法中常用的代理模型往往难以平衡全局趋势与局部细节，导致预测误差较大，尤其是在帕累托前沿边界和高度复杂区域。同时，现有SAEAs中的大多数填充采样策略无法同时捕捉潜在区域的分布特征和解集的收敛潜力，导致搜索过程中缺乏适应性指导。这些局限性导致SAEAs的搜索效率低下且性能不佳，特别是在解决复杂的昂贵多目标优化问题时。为解决这些问题，本文提出了一种基于距离感知协作克里金模型的昂贵多目标优化进化算法（DACKEA）。在DACKEA中，设计了一种距离感知的协作克里金模型，该模型通过提出的距离感知加权策略自适应地整合全局克里金模型与多个局部模型，从而提高预测精度和鲁棒性。此外，开发了一种由多源信息引导的两阶段填充采样准则，用于选择潜在解进行模型更新，该准则综合利用候选解的分布信息、收敛潜力及预测不确定性。该准则采用由种群收敛改进率驱动的阶段切换机制，实现各阶段间的自适应过渡，以精确响应不同的优化状态并高效分配有限的计算资源。在三个基准测试套件和两个实际应用中的大量实验表明，所提出的DACKEA在解决昂贵多目标优化问题时，相较于其他当前最先进的SAEAs具有高度竞争力。
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
.png){kind=icon}
A dual ensemble-surrogate assisted evolutionary algorithm with state information driven infill criterion for expensive many-objective optimization一种基于状态信息驱动的填充准则的双群体-代理辅助进化算法，用于昂贵的多目标优化
PREAI
分享收藏Constraint-tightening based adaptive two-stage evolutionary algorithm for constrained multi-objective optimization基于约束紧缩的自适应两阶段进化算法用于约束多目标优化
PREAI
分享收藏
查看更多内容