.png){kind=icon}
返回
Multi-objective optimization of empty train allocation using a Fast Surrogate-Assist Evolutionary Algorithm based on incremental learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127505.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究针对空车短缺这一关键问题，该问题显著影响铁路运输系统内列车调度的效率。研究目标是为开发一个优化模型，该模型既能最小化与空车调度相关的经济成本，又能提高其准点率。为此，本研究引入了一种新颖的基于增量学习的快速代理辅助进化算法，用于优化空车分配。传统的代理辅助（SA）模型因重复训练周期导致高时间复杂度；然而，本研究采用增量学习技术以缓解这些限制，从而简化计算过程。此外，在SA框架内实施的正则化最小二乘径向基函数神经网络增强了模型的一般化能力，使其适用于复杂的多目标优化场景。为进一步提高计算效率，SA模型替代了资源密集型的适应度函数评估，减少了所需评估的总次数。一个基于预期改进的、经过战略设计的样本填充准则选择能为实际评估提供最高信息增益的样本，从而优化算法效率。在整个优化过程中，粒子群优化算法用于细化SA模型，并采用非支配解集排序方法来保持种群多样性并防止收敛到局部最优解。该方法有望在空车调度和分配方面取得显著进展，可能改变铁路行业内的运营实践。
Keyword:
Incremental learning
Regularized least squares
Fast Surrogate-Assist
Uncertain infilling criteria
Empty train allocation
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
A Surrogate-assisted Multi-objective Grey Wolf Optimizer for Empty-heavy Train Allocation Considering Coordinated Line Utilization Balance考虑线路协调利用平衡的代理辅助多目标灰狼优化空重列车分配
PREAI
分享收藏
分享收藏Improved Binary Symbiotic Organism Search Algorithm With Transfer Functions for Feature Selection.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏An improved differential evolution algorithm and its application in optimization problemSOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏
查看更多内容