Expensive multiobjective immune algorithm using a novel differential evolution in objective space

doi:10.1016/j.eswa.2025.129708

Expensive multiobjective immune algorithm using a novel differential evolution in objective space

2025-09-25

0

PRE

AI

DOI：10.1016/j.eswa.2025.129708

原文链接

原文求助

摘要

En 中文

在求解高成本多目标优化问题时，生成具有强收敛性和多样性的子代解至关重要，这是因为目标函数评估次数有限。然而，现有算法在决策空间中生成子代解，导致难以获得具有强收敛性和多样性的子代。为解决此问题，我们提出了一种基于目标空间而非决策空间的差分进化算法，称为目标差分进化（DOE）。具体而言，DOE先生成具有强收敛性和多样性的目标值，然后将这些值映射到决策空间以实现高质量的子代。此外，我们利用多目标免疫算法产生高质量样本，以有效训练DOE中的映射。在与11种近期提出的算法在105个高成本多目标优化问题上的比较实验中，结果表明我们的算法在种群收敛性和多样性方面均优于其他算法，并证实了DOE的贡献。

Expensive multiobjective immune algorithm using a novel differential evolution in objective space

摘要

期刊

机构

引用论文