Dynamic Constrained Multi-Objective Optimization via Multi-Tribe Feasibility Prediction Based Knowledge Transfer

Yuanchao Liu

doi:10.1109/tevc.2026.3722852

Dynamic Constrained Multi-Objective Optimization via Multi-Tribe Feasibility Prediction Based Knowledge Transfer

2026-08-12

0

PRE

AI

DOI：10.1109/tevc.2026.3722852

原文链接

原文求助

摘要

En 中文

在动态约束多目标优化问题（DCMOPs）中，约束和目标随时间变化，可能导致约束帕累托最优前沿的改变。搜索区域的可行性预测对于应对环境变化至关重要，因为它允许算法根据可行性的变化采用最合适的响应策略。为此，提出了一种基于多部落可行性预测知识转移的动态约束进化算法（DCEA-MFPKT）来解决DCMOPs。在DCEA-MFPKT中，首先引入了一种基于部落区域 knee points 的分类策略。该策略根据部落区域 knee points 将目标空间划分为可行和不可行的部落区域。然后，提出了一种可行性预测策略，以捕捉部落区域可行性的时序行为，其中通过训练长短期记忆模型（LSTM）在历史数据序列上进行学习。因此，可以预测新环境中每个部落区域的可行性状态。基于预测的可行性状态，提出了一种多部落混合知识转移策略，以自适应地为每个部落区域选择合适的知识转移算子，利用历史解档案。这有助于在新环境中构建高质量且环境感知的初始种群。在一系列基准问题和流化催化裂化操作优化的实验结果表明，所提出的方法优于五种当前最先进的动态约束多目标优化方法。

Keyword:

Dynamic constrained multi-objective optimization

feasibility prediction

knowledge transfer

evolutionary algorithm

Dynamic Constrained Multi-Objective Optimization via Multi-Tribe Feasibility Prediction Based Knowledge Transfer

摘要

期刊

机构

引用论文