Entropy-Informed Variable Grouping for Expensive Large-Scale Multiobjective Optimization

doi:10.1109/tsmc.2026.3717782

Entropy-Informed Variable Grouping for Expensive Large-Scale Multiobjective Optimization

2026-08-17

0

PRE

AI

DOI：10.1109/tsmc.2026.3717782

原文链接

原文求助

摘要

En 中文

决策变量分组方法已被证明在解决大规模多目标优化问题（LSMOPs）中是有效的。然而，昂贵的多目标优化带来了额外挑战，因为允许的函数评估次数（FEs）高度受限，使得在不依赖额外真实FEs的情况下难以进行决策变量分组。为克服此限制，本研究提出了一种基于熵信息的新型变量分组方法，该方法基于先前评估的解量化每个决策变量的分布特征。具体而言，计算每个决策变量的熵以对变量进行排序，将熵值相似的变量分组，以确保分组过程准确反映决策变量的内在分布特征。随后利用熵信息分组结果引导搜索过程，优先对高熵决策变量进行收敛，而对低熵变量则侧重多样性。实验评估表明，所提出的方法在计算效率和求解质量方面均优于六种当前最先进的代理辅助进化算法（SAEAs），为昂贵的LSMOPs提供了稳健的解决方案。

Keyword:

Decision variable grouping

expensive large-scale multiobjective optimization

surrogate-assisted evolutionary algorithm (SAEA)

Entropy-Informed Variable Grouping for Expensive Large-Scale Multiobjective Optimization

摘要

期刊

机构

引用论文