返回
Multi-objective differential evolution algorithm based on partial reinforcement learning intelligence for engineering design problems and physics-informed neural networks
DOI:10.1016/j.aei.2026.104608.png)
摘要
En 中文
本文提出了一种创新的Multi-Objective Partial Reinforcement Learning Evolutionary Algorithm(MODEPRL)。与现有的基于强化学习的差分进化(DE)变体主要关注策略选择或参数自适应不同,MODEPRL通过部分强化学习(PRL)模拟人类或动物社会群体中观察到的智能行为。其核心创新在于将学习者的决策行为与自适应评分表相关联,使个体能够基于由正负强化定义的环境刺激自主调整其行为。该机制使学习者能够协同提升整体优化性能。在27个机械设计问题和物理信息神经网络上的数值模拟表明,MODEPRL在全局搜索能力、解精度和收敛速度方面优于当前最先进算法。
Keyword:
Multi-Objective Differential Evolution
Partial Reinforcement Learning
Adaptive Score Table
Engineering Design Problems
Physics-Informed Neural Networks
期刊
IF:
9.9
论文数:
4.4K
被引数:
1.7W
机构
引用论文
A Meta-Knowledge Transfer-Based Differential Evolution for Multitask Optimization基于元知识转移的差分进化多任务优化算法
Multi-threshold image segmentation based on an improved differential evolution: Case study of thyroid papillary carcinoma基于改进差分进化算法的多阈值图像分割 -- 以甲状腺乳头状癌为例

