.png){kind=icon}
返回
Large-Scale Multi-Objective Optimization Algorithms: A Decade Survey
.png){kind=icon}
PRE
AI
DOI：10.1111/exsy.70157.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（LSMOPs）的特点在于同时优化多个相互冲突的目标以及不少于100个决策变量。它们广泛存在于实际工程和科学研究领域。在过去的十年中，许多大规模多目标进化算法（LSMOEAs）应运而生，用于解决LSMOPs。本文系统地回顾和全面分析了这些LSMOEAs的思想、优点、缺点以及最新进展。首先，它介绍了LSMOEAs的相关概念。然后将其分为四类：基于决策变量分组的LSMOEAs、基于非分组降维的LSMOEAs、基于有效子代生成的LSMOEAs以及基于学习模型的LSMOEAs。它分析了各类中的代表性算法，详细阐述了它们的核心策略、优点和缺点。最后，它探讨了LSMOEAs在计算机视觉中的应用，例如处理像素级相关性、高分辨率特征冗余、动态目标跟踪和复杂视觉建模。本文为读者提供了LSMOEAs的全面系统概述，为进入该领域的研究人员以及寻求为实际问题选择合适算法的实践者提供了宝贵参考。
Keyword:
computer vision
decision variable grouping
effective offspring generation
learning model
LSMOPs
non-grouping dimensionality reduction
期刊
IF:
2.3
论文数:
2.6K
被引数:
3.8K
机构
引用论文
.png){kind=icon}
Multiobjective evolutionary algorithms: A comparative case study and the Strength Pareto approach多目标进化算法: 比较案例研究和强度帕累托方法
PREAI
分享收藏
分享收藏
查看更多内容