.png){kind=icon}
返回
Knowledge Transfer With Mixture Model in Dynamic Multiobjective Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/TEVC.2025.3566481.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大多数现有的动态多目标进化算法（DMOEAs）已被设计用于处理具有常规环境变化的动态多目标优化问题（DMOPs）。然而，它们通常忽视了环境变化不规则且不可预测的场景。近期，知识迁移被提出作为解决DMOPs的一种新颖范式。尽管如此，大多数迁移策略仅考虑从先前环境中获取的知识迁移，而忽略了由于不规则变化可能存在于相邻环境间的显著差异。为解决这些问题，本文提出了一种基于高斯混合模型（GMM，记为KTMM）的全新知识迁移策略，用于解决具有不规则变化的DMOPs。具体而言，设计了一种自适应GMM以捕获历史环境的知识，然后将其迁移以生成新环境的初始种群。此外，将一种控制不规则变化的新方法引入广泛使用的基准问题中，以形成具有不规则变化的DMOP基准。我们的提议KTMM与六种最先进的DMOEAs在具有不规则变化的多个基准问题上进行了比较。实验结果证明了我们提出的方法在大多数测试实例和一个实际问题上具有优越性。
Keyword:
Change response
dynamic multiobjective optimization
irregular change
knowledge transfer
期刊
IF:
12
论文数:
1.9K
被引数:
2.4W
机构
引用论文
Dynamic Multiobjective Squirrel Search Algorithm Based on Decomposition With Evolutionary Direction Prediction and Bidirectional Memory Populations.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Evolutionary Dynamic Multiobjective Optimization: Benchmarks and Algorithm Comparisons进化动态多目标优化: 基准和算法比较
PREAI
分享收藏PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective OptimizationPlatEMO: 用于进化多目标优化的MATLAB平台OAAI
OAAI分享收藏Combining kernelised autoencoding and centroid prediction for dynamic multi-objective optimisation结合核化自动编码和质心预测进行动态多目标优化OAAI
OAAI分享收藏分享收藏A Meta-Knowledge Transfer-Based Differential Evolution for Multitask Optimization基于元知识转移的差分进化多任务优化算法
OAAI
OAAI分享收藏A practical tutorial on the use of nonparametric statistical tests as a methodology for comparing evolutionary and swarm intelligence algorithms关于使用非参数统计检验作为比较进化和群体智能算法的方法的实用教程
PREAI
分享收藏
查看更多内容