.png){kind=icon}
返回
Parameter control in genetic algorithm optimization: A hybrid selection operator
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102439.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在遗传算法（GAs）求解复杂优化问题时，平衡探索与利用是一个基本挑战。本研究引入了一种混合选择方法，其中平衡控制参数α通过多种方法动态调整，包括确定性方法、模糊逻辑、自适应、自适应、基于熵的方法、Q学习和多臂赌博机方法。我们在31个对称和非对称旅行商问题（TSP）数据集以及9个容量约束车辆路径问题（CVRP）数据集上评估了这些方法。尽管基于关键差异图进行的统计分析显示各方法间无显著差异，但平均排名结果表明，基于Q学习的策略在TSP数据集上表现最佳，而基于模糊逻辑的策略在CVRP数据集上表现更优。我们的发现表明，基于强化学习和模糊逻辑的控制策略能够有效且动态地管理遗传算法中的探索-利用权衡，从而在不同问题类型上提升优化性能。
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.3W
机构
引用论文
暂无论文信息