.png){kind=icon}
返回
Large-Scale Sparse Multi-Objective Optimization via Customized Individual Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TETCI.2026.3670899.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大规模稀疏多目标优化问题（LSSMOPs）因其广泛存在于实际应用中而受到越来越多的关注，其中最优解通常表现出固有的稀疏性——大多数决策变量为零。传统的稀疏多目标进化算法（MOEAs）往往侧重于在决策空间中利用稀疏性，而忽视了种群中的协同性和多样性，这损害了在高维稀疏空间中的搜索效率和定向引导能力。为解决这一局限性，本文提出了一种新颖的方法，称为基于定制化个体学习的稀疏多目标优化（SMOCIL）。SMOCIL引入了一种四种群分区策略，根据个体稀疏性和解的质量将种群划分为四个子组，有效捕捉个体间的差异。随后应用定制化个体学习机制，以子组特定方式优化掩码和决策变量，增强对有前景稀疏区域的探索与开发。在基准问题和实际LSSMOPs上的广泛实验表明，SMOCIL在收敛速度和解的质量方面显著优于七种最先进的稀疏MOEAs。此外，消融研究证实了个体学习策略对算法整体有效性的关键贡献。
Keyword:
Evolutionary computation
sparse large-scale optimization
population partition
genetic algorithm
期刊
I
IF:
6.5
论文数:
1.4K
被引数:
4.5K
机构
引用论文
.png){kind=icon}
PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective OptimizationPlatEMO: 用于进化多目标优化的MATLAB平台
OAAI
OAAI分享收藏分享收藏
分享收藏分享收藏An Enhanced Competitive Swarm Optimizer With Strongly Convex Sparse Operator for Large-Scale Multiobjective Optimization用于大规模多目标优化的具有强凸稀疏算子的增强型竞争群优化器
PREAI
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