.png){kind=icon}
返回
Evolutionary Dynamic Multiobjective Optimization With Learning Across Problems
.png){kind=icon}
PRE
AI
DOI：10.1109/TEVC.2025.3596468.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态多目标优化（DMO）问题在许多实际应用中普遍存在，并已引起工业界和学术界的高度关注，从而提出了多种DMO算法。在这些方法中，基于学习和预测的进化方法在动态发生时因快速学习和强大的优化能力而取得了显著成功。然而，现有方法通常专注于在单个问题内学习和迁移知识，往往依赖历史知识来辅助优化过程。这可能限制了可用于开发更通用的动态优化预测模型的数据。利用不同动态多目标问题（DMOPs）之间的知识来提高问题解决效率与有效性的潜力在很大程度上尚未被探索。基于这一见解，本文探索了通过不仅限于单个问题内，还跨不同问题的学习来解决DMOPs的方案。具体而言，通过执行动态特征提取和任务特定解分类，我们提出构建一个集中式学习模型，以捕捉DMOPs及其对应优化解之间的相关性。这种方法允许有效利用来自多个问题的优化数据，从而学习动态知识以在发生改变时增强进化优化。为评估所提出算法的有效性，已在固定和动态变化的常见DMOP基准测试上进行了广泛的实证研究。数值结果证明了所提出算法在识别更通用的DMOP变化模式方面的有效性，并展示了其相较于现有基于学习和预测的最先进方法的优越性。
Keyword:
Centralized learning model
dynamic multiobjective optimization (DMO)
evolutionary algorithms
learning and prediction-based method
期刊
IF:
12
论文数:
1.9K
被引数:
2.4W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容