.png){kind=icon}
返回
Online spatial-temporal prediction for dynamic constrained multiobjective evolutionary optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.132101.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态约束多目标优化问题（DCMOPs）中的动态特性导致帕累托最优解发生各种变化。现有方法仅提取部分历史知识以在新时间点初始化种群，但忽略了动态帕累托最优解固有的时空特性，表现出跟踪性能不足。为解决此问题，本文设计了一种基于时空预测策略的动态约束多目标进化算法，称为STPS。一旦出现环境变化，知识构建策略将帕累托最优解转换为二维图像。所有历史图像构成时空序列，用于训练基于卷积神经网络（CNN）和门控循环单元（GRU）的预测模型，以在新环境下初始化种群。此外，设计了一种增量学习策略，定期微调预测器，保证在适应时变环境时的预测精度。在10个主流基准问题和真实案例的密集实验验证了，与几种最先进的动态约束多目标进化算法相比，所提算法在解决DCMOPs方面取得了优异性能。
Keyword:
Dynamic constrained multiobjective optimization
Spatial-temporal prediction
Convolutional neural network
Gated recurrent unit
Population initialization
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
查看更多机构
引用论文
暂无论文信息