.png){kind=icon}
返回
Dynamic competitive constraint handling for constrained multi-objective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102506.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在求解约束多目标优化问题（CMOPs）时，传统方法通常采用整体约束违反量，这掩盖了单个约束的独特影响。近年来，基于约束分解或优先级的方法被提出以单独考虑约束。然而，这些方法通常依赖预定义的评估规则，缺乏动态利用独立约束效应以增强对约束帕累托前沿（CPF）探索的能力。为解决此局限性，针对约束多目标优化问题提出了一种动态竞争约束处理算法（DCCHT）。具体而言，DCCHT将具有个约束的CMOP分解为个独立的优化池，其中一个优化池考虑所有约束，另外个优化池分别涉及总体个约束中的每个约束。通过提出的双向知识转移策略促进不同优化池之间的信息交换，该策略共享有价值的景观信息并加速向全局可行区域的总体收敛。基于约束的竞争力动态控制每个优化池的进展。通过反馈驱动的资源分配方法自适应地将计算资源分配给优化池。当考虑的约束在真实CPF的探索中更具竞争力时，将分配更多的计算资源给该优化池。在三个基准测试套件和各种实际工程问题上的广泛实验表明，DCCHT相较于一些当前最先进的算法具有显著更优的性能。
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
.png){kind=icon}
Constrained Multiobjective Optimization via Relaxations on Both Constraints and Objectives通过同时松弛约束和目标函数的约束多目标优化
PREAI
分享收藏PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective OptimizationPlatEMO: 用于进化多目标优化的MATLAB平台
OAAI
OAAI分享收藏Multiobjective evolutionary algorithms: A comparative case study and the Strength Pareto approach多目标进化算法: 比较案例研究和强度帕累托方法
PREAI
分享收藏
分享收藏Constrained Multiobjective Optimization via Multitasking and Knowledge Transfer基于多任务和知识转移的约束多目标优化
PREAI
分享收藏
查看更多内容