.png){kind=icon}
返回
Multifaceted collaborative evolutionary constrained multimodal multiobjective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2025.101951.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在处理约束多模态多目标优化问题（CMMOPs）时，本文提出了一种多方面协作进化算法（MCEA），旨在平衡目标空间和决策空间中的可行性、收敛性和多样性。现有方法通常仅关注维持种群多样性或可行性，忽视了CMMOPs的复杂性，而后者需要同时考虑多个相互冲突的目标。我们的MCEA框架采用局部-全局协作搜索策略，利用动态聚类对多样化的决策空间区域进行有效的探索与开发。此外，一种父代-子代协作转移策略促进了种群间的知识共享，增强了进化过程早期的收敛性，并在后期阶段保留了多样性。更进一步，我们定制了一种目标空间-搜索空间协作选择策略，该策略基于两个空间中的种群多样性对解进行筛选。在31个基准CMMOPs上的广泛实验表明，MCEA在超过一半的测试问题上显著优于当前最先进的算法，其性能通过IGD、IGDX、RPSP和HV指标衡量。此外，MCEA能够有效定位多个帕累托子集，展示了其在解决CMMOPs时平衡收敛性、多样性和可行性的能力。本研究强调了全面方法对于应对CMMOPs复杂性的重要性，并为该领域未来的研究提供了宝贵的见解。
Keyword:
Constrained multimodal multiobjective
optimization
Generation strategy
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
暂无机构信息
引用论文
PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective OptimizationPlatEMO: 用于进化多目标优化的MATLAB平台
OAAI
.png){kind=icon}
OAAI分享收藏A Survey on Learnable Evolutionary Algorithms for Scalable Multiobjective Optimization可扩展多目标优化的可学习进化算法综述
OAAI
OAAI分享收藏Multiobjective evolutionary algorithms: A comparative case study and the Strength Pareto approach多目标进化算法: 比较案例研究和强度帕累托方法
PREAI
分享收藏Balancing Convergence and Diversity in Objective and Decision Spaces for Multimodal Multi-Objective Optimization平衡目标和决策空间中的收敛性和多样性，以实现多模态多目标优化
PREAI
分享收藏分享收藏分享收藏
查看更多内容