.png){kind=icon}
返回
Dynamic multi-objective optimization algorithm based on incremental Gaussian mixture model
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2025.102067.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，基于预测的算法在解决动态多目标优化问题（DMOPs）方面取得了显著进展。然而，大多数现有方法仅考虑来自几个连续环境的信息，忽略了过去的搜索经验。为解决此问题，本文提出了一种基于增量高斯混合模型（IGMM）的新型动态多目标进化算法（DMOEA）。当环境发生变化时，新环境中的初始种群由两部分组成。一部分包括由IGMM生成的少量预测个体，旨在探索环境间的潜在相关性。为确保IGMM生成个体的质量，采用了一种基于特征的数据增强策略，在IGMM的训练过程之前生成代表性训练数据。另一部分则由基于从前一环境随机选择的解通过多项式变异算子创建的个体组成。基于混合初始种群，IGMM-DMOEA能够快速响应环境变化。为验证IGMM-DMOEA的性能，本研究采用了二十个广泛使用的基准函数和三个真实世界应用。大量实验结果表明，IGMM-DMOEA能够有效应对环境变化。与另外七个对比算法的比较结果表明，IGMM-DMOEA在三个常用指标衡量下表现出更可靠的性能。此外，基于大量实验讨论了所提出新策略的有效性和效率。
Keyword:
dynamic multi-objective optimization
incremental Gaussian mixture model
evolutionary algorithm
environmental change
prediction-based algorithm
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
Evolutionary Dynamic Multiobjective Optimization: Benchmarks and Algorithm Comparisons进化动态多目标优化: 基准和算法比较
PREAI
分享收藏Evolutionary Dynamic Constrained Multiobjective Optimization: Test Suite and Algorithm进化动态约束多目标优化: 测试套件和算法
PREAI
分享收藏A Co-evolutionary Multi-population Evolutionary Algorithm for Dynamic Multiobjective Optimization一种求解动态多目标优化问题的协同进化多种群进化算法
PREAI
分享收藏A practical tutorial on the use of nonparametric statistical tests as a methodology for comparing evolutionary and swarm intelligence algorithms关于使用非参数统计检验作为比较进化和群体智能算法的方法的实用教程
PREAI
分享收藏
查看更多内容