.png){kind=icon}
返回
From penalty function to learning-driven: evolution and perspectives of constrained multi-objective evolutionary algorithm
.png){kind=icon}
OA
AI
DOI：10.1016/j.swevo.2025.102006.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着约束多目标优化问题（CMOPs）在工程设计、智能制造等复杂系统中日益普遍，在动态环境中协调约束与多目标冲突已成为进化算法研究中的关键挑战。传统优化方法在处理复杂、高维、多约束问题时，常表现出鲁棒性不足和搜索效率低下等局限性。为应对这些挑战，近年来学习驱动的约束处理技术（CHTs）逐渐兴起，通过结合多种学习策略与进化算法来调整搜索策略，从而更高效地探索可行解空间。本文系统综述了约束多目标进化算法（CMOEAs）的发展历程，重点阐述了其从传统基于罚函数的方法向学习驱动方法演进而处理复杂CMOPs的过程。同时，本文深入探讨了学习策略在自适应学习、深度学习及知识迁移等领域如何实现高效约束处理。为进一步阐明学习驱动方法的优势，本文从适用性、计算复杂度和鲁棒性等方面将其与传统优化方法进行了比较分析。最后，文章回顾了CMOEAs在CMOPs中的各类应用实例，并探讨了下一代智能、学习驱动的CHTs在更复杂场景中的潜力，为从传统方法到学习驱动策略的相关研究提供了系统框架，并展望了未来的研究方向。
Keyword:
Constrained multi-objective optimization problem
Penalty function
Learning-driven
Constrained multi-objective evolutionary algorithm
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
暂无机构信息
引用论文
Multi-objective differential evolution with dynamic hybrid constraint handling mechanism.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏Evolutionary Instance Selection With Multiple Partial Adaptive Classifiers for Domain Adaptation多部分自适应分类器用于领域适应的进化实例选择
PREAI
分享收藏Environmental/Economic Dispatch Using a New Hybridizing Algorithm Integrated with an Effective Constraint Handling Technique使用新的混合算法与有效的约束处理技术相结合的环境/经济调度SUSTAINABILITYOAAI
SUSTAINABILITYIF3.3
OAAI分享收藏Use of Two Penalty Values in Multiobjective Evolutionary Algorithm Based on Decomposition基于分解的多目标进化算法中两种惩罚值的使用
PREAI
分享收藏
查看更多内容