.png){kind=icon}
返回
Multidomain Evolutionary Optimization on Combinatorial Problems in Complex Networks
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2025.3592664.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于知识转移的进化优化已引起广泛关注，例如多任务进化优化（MTEO），其旨在通过同时优化多个任务来解决复杂问题。尽管这一新兴范式主要关注任务相似性，但在利用不同领域间的共享特性方面仍存在巨大潜力。例如，现实世界的复杂系统通常具有相同的特性，如幂律规则、小世界属性和社区结构，这使得可以将一个系统中优化的解决方案转移到另一个系统以促进优化。受复杂系统内共享特性的观察启发，我们提出了一种新型框架，即多领域进化优化（MDEO）。首先，我们提出了一种基于社区水平的图相似性度量，以管理领域间的知识转移。此外，我们开发了一种基于图学习的网络对齐模型，作为在不同领域间有效转移解决方案的通道。此外，我们设计了一种自适应机制来确定从不同领域转移的解决方案数量，并引入了一种知识引导的变异机制，自适应地重新定义变异候选者以促进利用其他领域的知识。为评估其性能，我们使用一个名为对抗性链接扰动的挑战性组合问题作为主要说明性优化任务。在多个不同领域的真实网络上的实验表明，所提出的框架在有效性方面优于经典进化优化。
Keyword:
Combinatorial problem
complex network
knowledge transfer
multidomain evolutionary optimization
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
暂无论文信息