Enhancing search efficiency in large-scale constrained multi-objective optimization using a decision variable importance matrix

doi:10.1016/j.swevo.2026.102553

Enhancing search efficiency in large-scale constrained multi-objective optimization using a decision variable importance matrix

2026-09-29

0

PRE

AI

DOI：10.1016/j.swevo.2026.102553

原文链接

原文求助

摘要

En 中文

现有约束多目标进化算法（CMOEAs）在求解大规模约束多目标优化问题（LSCMOPs）时面临严峻挑战，因为呈指数增长搜索空间严重限制了其优化效率。为解决此问题，本文提出了一种基于变量重要性矩阵辅助的大规模约束多目标进化优化方法。首先，基于历史种群数据在每一代的开始构建多个决策树，并将得到的关于目标和约束的变量重要性得分整合形成变量重要性矩阵（VIM）。其次，利用参考向量将目标空间均匀划分，并采用VIM估计不同搜索子区域中个体的变量重要性，形成基于子区域的变量重要性矩阵（SVIM）。最后，根据SVIM为不同个体开发差异化搜索方向，从而提升种群搜索效率。所提方法可无缝集成到现有CMOEAs中，并在不同程度上提升其性能。在162个基准问题和综合煤矿能源系统调度优化问题中，与九种当前先进算法进行了广泛比较实验。结果表明所提方法的有效性和优越性。

Keyword:

Large-scale multi-objective optimization

Constrained multi-objective optimization

Evolutionary algorithm

Decision variable analysis

Variable importance

Enhancing search efficiency in large-scale constrained multi-objective optimization using a decision variable importance matrix

摘要

期刊

机构

引用论文