.png){kind=icon}
.png){kind=icon}
返回
Grouping via sensitivity analysis evolutionary algorithm for high-dimensional expensive multi-objective optimization
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-02160-9.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着实际工程应用复杂性的不断增加，高成本多目标优化问题（EMOPs）日益普遍。为缓解EMOPs的高计算成本，已提出多种代理模型辅助进化算法（SAEAs）。然而，大多数现有SAEAs在应用于高维问题时因代理建模和优化可扩展性困难而表现出性能下降。为应对这一挑战，我们提出了一种新型SAEA，称为GSAEA（基于敏感性分析的分组进化算法）。具体而言，GSAEA采用敏感性分析和贡献差异将决策变量分组为收敛相关变量和多样性相关变量，以便对每个子集进行针对性优化。此外，为进一步提高代理建模的精度，它构建多个径向基函数模型以分别处理不同的优化任务。最后，一个填充采样准则选择最有潜力的候选解进行真实函数评估。在包含多达200个决策变量的基准测试套件以及一个高维实际问题的实验结果表明，GSAEA在收敛性和计算效率方面优于几种当前最先进的SAEAs。
Keyword:
Multi-objective optimization
High-dimensional
Expensive optimization
Variable grouping
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。