.png){kind=icon}
返回
Dual learning based Pareto evolutionary algorithm for a kind of multi-objective task assignment problem
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127006.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
任务分配问题（TAP）涉及将一组任务分配给一组代理，需考虑每个代理的处理能力。目标是使总分配成本和总通信成本最小化。本文聚焦于一种特殊的多目标TAP（MOTAP）。MOTAP与TAP的区别在于它优化总成本和代理负载均衡。MOTAP具有许多实际应用，但却是NP难问题。为求解该问题，提出了一种基于双学习的帕累托进化算法（DLPEA）。本工作的主要亮点有二：一是MOTAP的新数学模型，二是DLPEA的双学习搜索模型。对于数学模型，我们首次提出了MOTAP模型，并提出了一种针对不可行解的问题特定修复方法。对于搜索框架，提出了一种基于移位密度估计的统计学习方法，用于评估群体的收敛性和多样性，从而实现高质量个体的选择。此外，还提出了一种基于聚类技术的概率学习机制，以提取精英个体的有价值信息，基于此可预测有意义的群体。在180个基准实例上的实验结果表明，所提出的算法与当前最先进的方法相比具有明显的竞争力。
Keyword:
Pareto optimization
Task assignment
Shift-based density estimation
Machine learning
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
分享收藏A Modified MOEA/D Algorithm for Solving Bi-Objective Multi-Stage Weapon-Target Assignment Problem.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏A Memetic Algorithm Based on Probability Learning for Solving the Multidimensional Knapsack ProblemOAAI
OAAI分享收藏
查看更多内容