Landscape-driven stochastic variation: A Data-Driven Meta-Learning Framework for Adaptive Mutation Control (DD-AMC) in constrained evolutionary multi-objective optimisation

Nedjma Abidallah

doi:10.1016/j.swevo.2026.102535

Landscape-driven stochastic variation: A Data-Driven Meta-Learning Framework for Adaptive Mutation Control (DD-AMC) in constrained evolutionary multi-objective optimisation

2026-09-15

0

PRE

AI

DOI：10.1016/j.swevo.2026.102535

原文链接

原文求助

摘要

En 中文

进化多目标优化框架，如CNSGA-II和CMOEA/D，高度依赖精确的参数配置——特别是变异率——以平衡局部开发和全局探索。然而，这些框架主要采用静态变异率（例如， p m = 1 / D ）或刚性的动态启发式方法。随着目标和约束维度的扩展，这些静态方法缺乏情境感知能力，频繁导致搜索过程在高碎片化可行域中停滞。为解决此局限性，我们提出了数据驱动元学习自适应变异控制器（DD-AMC）。我们的框架用多层次控制范式取代静态启发式方法：一个离线训练的集成模型，通过先验推理根据 t = 0 时刻的结构元特征建立最优初始变异率；以及一个在线反馈控制器，持续监控进化停滞。为防止早熟收敛，该控制器动态调整变异概率，并触发生物启发的“停滞覆盖系统（SOS）模式”以强制跳出深层局部最优。最后，一个档案数据驱动的记录循环系统性地捕获已完成运行的成功参数配置，以扩展后续离线重训练的仓库。我们在多样化的约束多目标基准测试中评估了增强DD-AMC的算法，包括可扩展的多目标实例。实验结果表明，我们的方法在大多数情况下优于静态和常规动态方法，特别是在可扩展多目标和碎片化约束实例上，同时承认高度波动、时变拓扑结构（如DASCMOP1/3）在关键收敛指标上仍具有挑战性，有效防止停滞并确保在不同目标维度下的鲁棒适应性。

Keyword:

Data-driven meta-learning

Adaptive mutation

Constrained multi-objective optimisation

Parameter control

Evolutionary algorithms

Landscape-driven stochastic variation: A Data-Driven Meta-Learning Framework for Adaptive Mutation Control (DD-AMC) in constrained evolutionary multi-objective optimisation

摘要

期刊

机构

引用论文