.png){kind=icon}
.png){kind=icon}
返回
Enhancing Many-Objective Optimization via Objective Reduction and Balanced Search
.png){kind=icon}
PRE
AI
DOI：10.1109/tetci.2026.3683710.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管已引入众多算法用于解决多目标优化问题（MaOPs），但关于这些目标之间特性的研究工作有限，因为难以找到合适的统计量来表征和评估目标间的相似性。此外，在维持算法收敛性的同时保持种群多样性、克服选择压力的损失仍是MaOPs的挑战。为解决此问题，本文提出了一种新的协同优化框架。首先，引入基于拉格朗日中值定理的目标降维方法，该方法量化目标间的结构相似性，将原多目标函数问题转化为简化问题以便更易求解。其次，提出一种基于综合敏感度的局部开发策略，通过重用结构特征矩阵精确识别并优先优化敏感决策变量，显著提升搜索效率。第三，设计了一种基于概率主成分分析（PPCA）的全局开发策略，生成与原种群分布相似的后代并保持多样性，从而解决MaOPs中多样性的退化问题。在各类基准问题上的广泛实验表明，所提算法在解决MaOPs方面显著提升性能，与几种先进的许多目标进化算法（MaOEAs）相比具有竞争力。
Keyword:
Evolutionary many-objective optimization
population reproduction
objective reduction
probabilistic principal component analysis
期刊
I
IF:
6.5
论文数:
1.4K
被引数:
4.5K