KDDCP: Kernel density driven cumulative probability-cooperated framework for constrained muti-objective optimization

Shijie Zhao

doi:10.1016/j.swevo.2025.101989

KDDCP: Kernel density driven cumulative probability-cooperated framework for constrained muti-objective optimization

2025-07-01

0

PRE

AI

DOI：10.1016/j.swevo.2025.101989

原文链接

原文求助

摘要

En 中文

在约束多目标问题（CMOPs）中，在种群多样性、收敛性和可行性要求之间取得平衡是约束多目标进化算法（CMOEAs）的一个关键挑战。传统方法过度强调可行性可能导致搜索陷入局部最优，而忽略约束则可能造成资源浪费。为解决这些挑战，本文提出了一种基于核密度驱动的协同累积概率的约束多目标进化算法（KDDCP），能够合理利用可行解以及有价值的不可行解，以有效逼近真实的帕累托前沿。具体而言，KDDCP通过构建主种群、全局辅助种群和局部辅助种群实现多目标搜索协同：主种群专注于寻找可行帕累托前沿（CPF）；同时，全局辅助种群在忽略约束的条件下逼近无约束帕累托前沿（UPF），仅在算法第一阶段运行，收敛后停止进化，从而避免后续阶段的计算开销。对于局部辅助种群，结合KDD-RDS和CP-RDB策略以促进详细局部探索，增强算法的收敛性和多样性。实验结果表明，KDDCP在MW、DTLZ和DASCMOP等33个测试问题上以及六个工程领域常用的实际约束多目标优化问题上，显著优于13种比较算法。结果证实，KDDCP在复杂约束条件下实现了可行性、多样性和收敛性之间的最优平衡。

KDDCP: Kernel density driven cumulative probability-cooperated framework for constrained muti-objective optimization

摘要

期刊

机构

引用论文