.png){kind=icon}
返回
Multi-objective hyper-heuristics: a survey
.png){kind=icon}
OA
AI
DOI：10.1007/s10462-025-11486-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，关于进化多目标优化与（超-）元启发式算法（MOHHs）集成的研究显著增长。本文对MOHH研究进行了全面综述，将现有方法分为四类：选择型、生成型、组合型和配置型MOHHs。每类方法在方法论、关键贡献和开放挑战方面进行了分析。分析表明研究重点存在失衡，选择型和组合型MOHHs最受关注，其次是配置型MOHHs，而生成型MOHHs仍被广泛忽视。选择型MOHHs进一步按其控制组件的层级划分：低层方法（通常管理进化算子）在移动接受方法上需进一步研究，而中层方法（通常管理多目标进化算法）在选择策略上需深入探索。生成型MOHHs主要基于遗传编程和语法进化，缺乏对替代方法的研究。组合型MOHHs基于性能权衡生成一组非支配构造性（超-）元启发式算法，已被主要应用于组合优化问题，且在以MOEAs作为底层优化器时表现出多样性不足。配置型MOHHs专注于为多目标优化器配置算法组件，主要依赖单一性能指标，为多准则性能方法留有空间。此外，本文还回顾了MOHHs所涉及的测试问题和实际应用，并概述了该领域的未来研究方向。
Keyword:
Evolutionary algorithms
Multi-objective optimization
(hyper-) heuristics
Multi-objective (hyper-) heuristics
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
13.9
论文数:
6.1K
被引数:
1.9W
机构
引用论文
A Hyperheuristic Approach to Leveraging Domain Knowledge in Multi-Objective Evolutionary Algorithms
PREAI
分享收藏Multi-Agent Based Hyper-Heuristics for Multi-Objective Flexible Job Shop Scheduling: A Case Study in an Aero-Engine Blade Manufacturing Plant.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Sentinel: A Hyper-Heuristic for the Generation of Mutant Reduction StrategiesSentinel: 一种用于生成突变体减少策略的超启发式方法OAAI
OAAI分享收藏分享收藏DeepEMO: A Multi-indicator Convolutional Neural Network-Based Evolutionary Multi-objective Algorithm
PREAI
分享收藏
查看更多内容