Multi-objective multi-task optimization using decomposition collaboration mechanism and adaptive differential evolution

doi:10.1016/j.future.2026.108781

Multi-objective multi-task optimization using decomposition collaboration mechanism and adaptive differential evolution

2026-09-06

0

PRE

AI

DOI：10.1016/j.future.2026.108781

原文链接

原文求助

摘要

En 中文

多目标多任务优化（MOMTO）是进化计算领域的关键研究方向，广泛应用于处理多目标与多任务间的复杂权衡问题。近年来，已提出多种算法并展现出良好的性能。然而，随着现实问题规模与复杂度的增加，特别是在高维场景下，现有方法面临收敛速度慢、计算成本高及种群多样性丧失等主要挑战。为应对这些挑战，本文提出一种创新的多目标多任务优化算法（MaMTO/D-ADE）。该算法引入基于分解策略的高效邻域协作机制，以缓解求解大规模优化问题的高复杂度与低效性。此外，开发了一种增强型差分进化方法，通过集成自适应参数控制与混合变异算子，有效平衡全局探索与局部开发能力。同时引入灵活的后代更新机制，以加速收敛并维持种群多样性。在多个经典基准问题上的广泛实验表明，MaMTO/D-ADE在收敛速度和解质量方面均取得显著提升，相较于现有最先进算法展现出更强的竞争力。

Multi-objective multi-task optimization using decomposition collaboration mechanism and adaptive differential evolution

摘要

期刊

机构

引用论文