.png){kind=icon}
返回
Granularity-based hierarchical learning differential evolution via knowledge reuse for space trajectory optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.114565.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
航天轨迹优化（STO）问题具有高度非线性、存在大量局部最优解和狭窄吸引域等特点，为深空探测工程带来了重大挑战。目前大多数针对STO的差分进化（DE）算法采用基本的随机交配种群结构，这限制了其在欺骗性景观中的效率。尽管分层结构在更广泛的进化计算（EC）社区中显示出比随机交配设计更具潜力，但其直接应用于STO问题的实例仍然有限，因为STO比通用函数表现出更高的复杂性和异质性，留下了专门设计的空白。为此，我们提出了一种基于粒度的分层学习差分进化算法，通过知识重用（GHLDE-KR）。我们的方法引入了一种基于粒度的分层学习结构（GHLS），该结构包含两个互补的子群，能够协调使用粗粒度变异进行更广泛的探索和细粒度变异进行精确开发。在每个子群内部，强化学习（RL）允许个体自适应地选择不同的变异算子，从而增强搜索多样性和适应性。此外，一种新颖的知识重用（KR）机制利用被淘汰个体的知识来进一步提升学习效率。在七个具有代表性的真实世界STO问题和三个通用测试平台上的广泛实验表明，GHLDE-KR在一致性地优于当前最先进的EC方法。
Keyword:
Space trajectory optimization
Differential evolution
Hierarchical learning
Knowledge reuse
Reinforcement learning
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
.png){kind=icon}
An autonomous differential evolution based on reinforcement learning for cooperative countermeasures of unmanned aerial vehicles基于强化学习的无人机协同对抗的自主差分进化算法
PREAI
分享收藏Modified LSHADE-SPACMA with new mutation strategy and external archive mechanism for numerical optimization and point cloud registration改进的LSHADE-SPACMA算法，结合新的变异策略和外部档案机制，用于数值优化和点云配准
OAAI
OAAI分享收藏
查看更多内容