.png){kind=icon}
返回
Fuzzy Logic Control System-Assisted Operator Selection for Constrained Multiobjective Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/TFUZZ.2026.3684096.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
约束多目标进化算法（CMOEAs）通常整合多样化的进化算子、约束处理技术和环境选择（ES）策略以解决约束多目标优化问题（CMOPs）。值得注意的是，当相同的CMOEAs采用不同的算子解决同一CMOP时，会出现显著的性能差异，这种现象源于具有不同景观的CMOPs所表现出的不同算子偏好。因此，针对不同的CMOPs自适应选择合适的算子是值得且具有前景的。本文提出CMOFLCS，一种整合模糊逻辑控制系统（FLCS）的新框架。我们引入双指标评估种群收敛性和多样性，并结合奖励机制动态评估算子的历史贡献。这些指标输入FLCS，通过协同专家定义的规则与实时数据反馈，以轮盘赌方式概率性地选择最优算子。此外，我们开发了一种角度约束的ES，将无效的约束帕累托前沿（UPF）探索重新导向为UPF到约束帕累托前沿（CPF）方向上的目标空间均匀搜索。该机制在处理具有完全UPF-CPF分离的问题时自适应激活。在33个基准问题和25个实际应用中的实验表明，CMOFLCS表现出优越性能，优于8种当前最先进的CMOEAs。值得注意的是，当将FLCS嵌入两种流行的CMOEAs时，其集成提升了基线性能，进一步验证了其有效性和通用性。
Keyword:
Constrained multiobjective optimization
evolutionary operator
fuzzy logic control
historical contribution
reward
期刊
IF:
11.9
论文数:
5.0K
被引数:
2.9W
机构
引用论文
暂无论文信息