.png){kind=icon}
.png){kind=icon}
返回
Evolutionary Direction Learning With Multivariate Gaussian Probabilistic Model for Multiobjective Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/TEVC.2025.3557412.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，利用多目标进化算法（MOEAs）的进化过程中产生的数据来学习知识并指导进化搜索已成为一个热门的研究课题。然而，现有的知识学习（KL）框架通常受限于收集数据集的质量低和模型构建效率不高的问题，这显著限制了其有效性。为解决这一问题，本文提出了一种新颖的进化方向学习（EDL）框架，旨在学习每个目标的进化方向（ED）知识以增强MOEAs的种群生成。所提出的EDL框架整合了一种基于目标改进的有效数据收集方法，以生成高质量的数据集，并在此基础上采用一种多元高斯概率模型，通过数据融合建模方法学习每个目标的ED知识。此外，还设计了一种知识分配方法，用于选择最适合的ED知识来指导解的进化。在合成问题和真实世界问题上的实验结果表明，所提出的EDL框架能够加速MOEAs的收敛并显著提升其性能。与三种当前最先进KL框架的比较表明，EDL是一种极具竞争力的学习框架，在处理更大数据集时能实现更优性能，且效率令人印象深刻。
Keyword:
Evolutionary direction (ED)
knowledge learning (KL)
multiobjective evolutionary algorithm (MOEA)
multivariate Gaussian probabilistic model