.png){kind=icon}
返回
Learning-driven computational resource scheduling for many-objective evolutionary optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.134046.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多目标进化优化可被视为基于种群的元学习过程，但随着目标数量的增加，由于选择压力减弱、严重拥挤和计算资源有限，学习有效的搜索行为变得越来越困难。为应对这一挑战，本文提出了一种具有自适应计算资源分配的学习驱动协同进化框架，用于多目标优化。引入了一种基于高维投影的坐标映射机制，以获取帕累托前沿分布的紧凑学习表示。基于此表示，开发了一种拥挤熵指标，以捕捉局部密度和全局分布特征，实现种群层面的结构学习。利用所学信息，设计了一种无参数计算资源调度策略，自适应地将搜索努力分配到目标空间中信息更丰富的区域，实现探索与利用的有效平衡。在基准多目标问题上的实验结果表明，与几种最先进的算法相比，所提出的方法在有限计算预算下始终能提高收敛性和多样性。
Keyword:
many-objective evolutionary optimization
learning-driven coevolutionary framework
adaptive computational resource allocation
crowding entropy indicator
Pareto front distribution
