.png){kind=icon}
返回
Reinforcement knowledge sharing assisted two-archive evolutionary algorithm for many-objective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2025.102139.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在多目标优化问题（MaOPs）中，随着目标数量的增加，算法在收敛压力和完整帕累托前沿（PF）的探索方面面临挑战。目前，双档案机制为解决此问题提供了新颖视角。然而，大多数现有的基于双档案的多目标优化算法侧重于独立更新收敛档案（CA）和多样性档案（DA），而较少关注两者之间的深度协作。为促进深度协作，本文提出了一种基于强化知识共享的双档案进化算法（RKS-TAEA）用于多目标优化。在RKS-TAEA中，分别提出了广义SDE指标（SDEp）和新的基于偏移的指标（SBI）用于CA和DA的更新。SDEp能够很好地保持原始SDE指标在估计种群收敛性方面的特性，而SBI能够全面评估候选解的多样性与收敛性。通过为两个指标中计算的闵可夫斯基距离适当设置p值，SDEp和SBI均可灵活适应具有不同PF几何形状的MaOPs。随后，提出了一种强化知识共享机制，通过逐代学习适应MaOP的PF几何形状的知识因子来推导p值。该强化知识共享机制实现了双档案的深度协作，确保RKS-TAEA能够自适应地适应具有不同PF几何形状的复杂MaOPs。在四个基准测试套件和五个真实世界MaOPs上的全面实验表明，RKS-TAEA相较于一些当前先进的多目标进化算法更具竞争力。
Keyword:
many-objective optimization
two-archive mechanism
convergence and diversity
reinforcement knowledge sharing
Pareto front estimation
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
A many-objective evolutionary algorithm based on interaction force and hybrid optimization mechanism
.png){kind=icon}
PREAI
分享收藏PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective OptimizationPlatEMO: 用于进化多目标优化的MATLAB平台
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
分享收藏分享收藏
查看更多内容