.png){kind=icon}
返回
Generative model-based evolutionary algorithm for solving large-scale sparse multi-objective optimization problems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2026.116100.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大规模稀疏多目标优化问题（LSMOPs）是工程实践和科学研究中广泛遇到的一类优化问题，其最优解通常仅包含少量非零决策变量。现有的大规模稀疏多目标进化算法（LSMOEAs）主要依赖启发式稀疏算子和局部重组机制来搜索高质量解，这难以刻画决策变量间的复杂非线性依赖关系和潜在耦合模式。为解决此问题，本文提出了一种基于生成模型的大规模稀疏多目标优化进化算法，该算法不再单纯依赖传统交叉和变异算子，而是对当前非支配解进行分布级建模，并在低维隐空间中直接采样和解码候选解。通过这种学习驱动的直接采样机制，搜索过程从局部扰动提升至分布级生成，使算法能自适应地捕捉帕累托最优解的分布特征。为评估所提算法在解决不同复杂度LSMOPs中的有效性，在多个基准测试套件和实际问题上进行了全面实验。结果表明，在多数情况下，所提算法在收敛性和解多样性方面均优于现有最先进的大规模稀疏多目标进化算法。
Keyword:
Multi-objective optimization
Sparse optimization
Evolutionary computation
Large-scale optimization
Dimensionality reduction
