.png){kind=icon}
返回
Enhancing Constrained Multi-Objective Optimization via Knowledge Transfer and Co-Evolution
.png){kind=icon}
PRE
AI
DOI：10.1007/s44196-025-01119-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在约束多目标优化问题（CMOPs）中，现有算法存在两大关键挑战：基于问题特定特征的无效区域有效遍历，以及利用辅助种群进行高效知识转移以增强解集的可行性、收敛性和多样性。本文提出了一种新颖方法，称为增强知识转移进化多目标优化（EKTEMO），该方法利用约束帕累托前沿（CPF）与无约束帕累托前沿（UPF）之间的集合关系来增强知识转移。EKTEMO采用双种群协同进化策略。在学习阶段，专门的进化算子引导CPF和UPF种群的独立进化。通过可行性和非支配性标准确定两种群间的关系类型。在进化阶段，根据问题类型为每种群分配特定的进化算子。主种群持续聚焦于获取CPF，而辅助种群通过不同策略或互补功能适应并支持此目标。此外，基于父代和子代知识的有效性选择适当的知识转移机制。这确保主种群能高效利用辅助种群信息生成可行、收敛且多样的解。在46个基准测试函数和10个实际问题的全面实验中，将EKTEMO与九种当前先进算法进行比较，结果显示其在倒世代距离和超体积指标上表现更优，Wilcoxon秩和检验结果证实了这一点。这些发现强调了EKTEMO在解决CMOPs问题中的有效性和鲁棒性。
Keyword:
Constrained multi-objective optimization
Evolutionary algorithm
Objective function
Knowledge transfer
期刊
IF:
3
论文数:
362
被引数:
2.7K
机构
引用论文
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Many-Objective Real-World Engineering Problems: A Comparative Study of State-of-the-Art Algorithms.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Benchmarking Real-World Many-Objective Problems: A Problem Suite With Baseline ResultsIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容