.png){kind=icon}
返回
Multisource and Hidden Source-Based Knowledge Transfer for Solving Dynamic Multiobjective Optimization Problems
.png){kind=icon}
PRE
AI
DOI：10.1109/TEVC.2025.3550557.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，基于迁移学习的动态多目标优化算法（TL-DMOAs）在解决动态多目标优化问题（DMOPs）方面显示出巨大潜力。然而，它们难以构建能够刻画每个历史环境中发现的帕累托最优解（POSs）的知识模型，因为POSs的分布无法得到充分反映。此外，现有的TL-DMOAs通常专注于从历史环境中获取知识，但忽视了它们背后的相关性以挖掘潜在知识，从而限制了生成高质量初始种群（HIPs）的性能。为解决这些问题，本文提出了一种具有多源和隐藏源知识迁移的动态多目标优化算法（DMOA-MHKT）。首先，我们设计了一种知识提取策略，通过引入非参数聚类方法均值漂移（mean shift）对历史POSs进行聚类。作为聚类的代表，聚类中心被视为表征环境知识，因为它们能够充分反映POSs的分布。其次，通过环境匹配选择最相似的历史环境及最后一个环境作为两个显式源。在前一个源中，将POSs的聚类中心视为其知识；相比之下，基于后一个源中的POSs聚类中心和拐点，设计了一种评分方法，通过描绘两个连续环境间的动态变化来生成环境知识。最后，在完成显式源知识对齐后，通过挖掘它们背后的相关性和潜在知识来学习隐藏源，以促进生成HIPs时的泛化能力提升。实验结果尤其是与七种最新TL-DMOAs的性能比较表明，DMOA-MHKT在解决DMOPs方面带来了显著改进。
Keyword:
Dynamic multiobjective optimization
hidden source
knowledge acquirement
transfer learning
期刊
IF:
12
论文数:
1.9K
被引数:
2.4W
机构
引用论文
分享收藏A Constrained Competitive Swarm Optimizer With an SVM-Based Surrogate Model for Feature Selection具有基于SVM的特征选择代理模型的约束竞争群优化器
PREAI
分享收藏A predictive strategy based on special points for evolutionary dynamic multi-objective optimization.png)
SOFT COMPUTING
OAAI
SOFT COMPUTINGIF2.5
OAAI分享收藏
查看更多内容