.png){kind=icon}
返回
Dual-space co-evolution with temporal information learning for multi-modal multi-objective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102475.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统多模态多目标进化算法（MMEAs）通常未能充分利用种群分布跨代动态变化来增强算法的勘探能力。因此，本文提出了基于时序信息学习的双空间协同进化的多模态多目标优化进化算法（Ds-TILEA）。Ds-TILEA提出了一种时序信息学习框架，将历史种群信息转化为时间序列，并利用深度神经网络预测种群分布。与常规的时间序列辅助进化方法不同，后者主要利用历史信息预测外部环境、标量指标或辅助搜索状态，Ds-TILEA将代索引的种群分布视为内生多元时序数据，并直接使用预测的决策空间位置生成子代。具体而言，预测模型旨在捕捉相邻代种群分布的进化模式，从而促进生成潜在的高质量子代。此外，在多模态多目标优化问题（MMOPs）中，实现帕累托集的多样性与收敛性平衡是一个关键挑战。为此，本研究设计了一种双空间更新策略，其中多样性存档在决策空间和目标空间均采用双拥挤距离计算，以在保持收敛性的同时提升解的多样性。为验证Ds-TILEA的性能，实验将其与六种竞争算法在两个标准基准测试套件上进行比较。此外，七种算法被应用于一个旨在最小化数据集维度和分类错误率的特征选择任务。实验结果表明，Ds-TILEA在收敛性和多样性方面均表现出优越性能。具体而言，在12个IDMP测试问题中，Ds-TILEA在IGD、IGDX和HV指标上分别获得了6、4和8个最优值，Wilcoxon秩和检验确认了其统计显著性。Ds-TILEA在MMOPs中展现出显著优势，尤其是在通过整合时序信息生成子代时，能够高效平衡多样性与收敛性。
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
A dynamic multi-objective optimization evolutionary algorithm based on multi-modal feature fusion and entropy-driven reinforcement learning一种基于多模态特征融合和熵驱动强化学习的动态多目标优化进化算法
PREAI
分享收藏Hippopotamus optimization algorithm: a novel nature-inspired optimization algorithm.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Balancing Convergence and Diversity in Objective and Decision Spaces for Multimodal Multi-Objective Optimization平衡目标和决策空间中的收敛性和多样性，以实现多模态多目标优化
PREAI
分享收藏A hybrid swarm intelligence and dynamic programming framework for active-imaging satellite mission planning problem混合群智能与动态规划框架用于主动成像卫星任务规划问题
PREAI
分享收藏
查看更多内容