.png){kind=icon}
返回
Gradient-based hybrid method for multi-objective optimization problems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126675.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
如何在收敛性和多样性之间寻求微妙的平衡，仍然是多目标优化领域持续存在的挑战。本文提出了一种结合梯度法和改进非支配排序遗传算法的混合方法（HMGB）以解决这一复杂问题。首先，我们提出了一种基于新准则的分区聚类方法，用于划分目标空间中的个体，该方法不仅便于构建帕累托下降方向，还能防止种群陷入局部最优。随后，我们改进了有限差分法以获取多个目标函数的梯度信息，并利用这些信息构建帕累托下降方向，从而加速收敛。最后，我们将NSGA-II中的模拟二进制交叉替换为正态分布交叉，并结合多项式变异生成子代，用于全局探索以增加种群多样性。HMGB算法与几种当前先进算法在基准函数和实际问题上进行了比较。实验结果表明，HMGB算法具有强大的竞争力和有效性。
Keyword:
Multi-objective optimization
Descent direction
Partitional clustering
Multi-objective evolutionary algorithm
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
分享收藏A Strengthened Dominance Relation Considering Convergence and Diversity for Evolutionary Many-Objective Optimization进化多目标优化中考虑收敛性和多样性的增强优势关系
OAAI
OAAI分享收藏A Weight Vector Adjustment Method for Decomposition-Based Multi-Objective Evolutionary Algorithms.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容