.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
多目标巨型太平洋章鱼优化器（MOGPOO），作为新开发的巨型太平洋章鱼优化器（GPOO）的多目标变体，本项研究将其描述为一种解决多个行业中各种问题的方法。该算法的多目标设计在文献中尚未被研究，这归因于其算法模型的独特性。多目标优化（MO）方法被建议用于处理当今世界中随着技术问题日益复杂而出现的多目标问题。许多技术在评估MO问题时经常遇到劣解，而非在目标中求解适当近似于帕累托最优解的函数。GPOO（模仿章鱼捕食行为）的表现优于其他多目标算法。在多目标觅食环境中，存档被用于模仿章鱼捕食行为并建立社会等级。MOGPOO方法采用多目标公式设计，旨在保留并确保在所有目标上优化解的增强覆盖。所提出的方法在一系列标准无约束、约束测试函数、2020年IEEE进化计算大会（CEC2020）、非参数测试和真实工程挑战上进行了评估，随后与许多流行的多目标前沿竞争算法进行了比较。定性及定量结果均表明，所提出的算法可能产生高度竞争性的成果，并超越现有算法的表现。
Keyword:
Artificial intelligence
Multi-objective optimization
Giant Pacific octopus optimizer
期刊
C
IF:
4.1
论文数:
5.1K
被引数:
7.5K
机构
暂无机构信息
引用论文
Utilizing a hybrid metaheuristic algorithm to solve capacitated vehicle routing problem利用混合元启发式算法求解容量约束车辆路径问题.png)
OAAI
OAAI.png){kind=icon}
分享.png){kind=icon}
收藏Clustering-based evolutionary algorithm for constrained multimodal multi-objective optimization基于聚类的约束多模态多目标优化进化算法
PREAI
分享收藏
分享收藏Multi-objective ant lion optimizer: a multi-objective optimization algorithm for solving engineering problems多目标蚁狮优化器: 一种求解工程问题的多目标优化算法.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
查看更多内容