.png){kind=icon}
返回
Large-Scale Multi-Objective Dual-Population Co-Evolutionary Algorithm Based on Decision Variable Boundary Penalty
.png){kind=icon}
PRE
AI
DOI：10.1002/cpe.70443.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大规模多目标优化问题在专家系统及应用中广泛应用，主要考虑在大规模决策变量下对多个冲突目标的同时优化。现有方法通常将决策变量划分为收敛性或多样性相关变量，忽视了其固有特性，因此无法有效平衡收敛性和多样性。为解决上述问题，本文提出了一种基于决策变量边界惩罚的大规模多目标双种群协同进化算法（LMDCA）。所提算法首先采用基于边界惩罚的交叉决策变量分析方法对决策变量进行定量分析，能够量化不同目标函数下收敛变量的贡献值以进行分组。然后，根据不同的变量组采用不同的优化策略，以更准确地逼近各目标的帕累托前沿。随后，通过结合双种群协同进化框架构建收敛性和多样性种群，其中设计了定向交配选择限制、环境选择和信息补偿三种策略，用于种群内部的协同交互，以确保种群进化信息的完整性。我们在多个基准数据集和实际问题上与当前算法进行了广泛比较。实验结果表明，所提算法优于对比算法，并在实际应用中展现出强竞争力。
Keyword:
decision variable boundary penalty
decision variable quantitative analysis
dual-population co-evolution
large-scale multi-objective optimization
期刊
C
IF:
1.5
论文数:
473
被引数:
0
机构
暂无机构信息
引用论文
Multi-objective cooperation search algorithm based on decomposition for complex engineering optimization and reservoir operation problems复杂工程优化与水库调度问题的基于分解的多目标协同搜索算法
.png){kind=icon}
PREAI
分享收藏CoEA: A Cooperative-Competitive Evolutionary Algorithm for Bidirectional RecommendationsCoEA: 一种用于双向推荐的合作竞争进化算法
PREAI
分享收藏Test Suites and Performance of Algorithms in Large-Scale Multiobjective Evolutionary Optimization
PREAI
分享收藏Large-Scale Multiobjective Optimization via Reformulated Decision Variable Analysis基于重构决策变量分析的大规模多目标优化
PREAI
分享收藏Crowding distance and IGD-driven grey wolf reinforcement learning approach for multi-objective agile earth observation satellite scheduling拥挤距离和IGD驱动的灰狼强化学习多目标敏捷对地观测卫星调度方法
OAAI
OAAI分享收藏
查看更多内容