.png){kind=icon}
返回
Robust Multiobjective Competitive Swarm Optimization Based on Evolutionary Trend Prediction
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2025.3565010.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
竞争性群优化算法（CSO）因采用多样化学习策略，已被广泛应用于解决多目标优化问题。然而，算法内部的进化过程不确定性削弱了优化的可靠性。为应对这一问题，提出了一种具有预测指标（PI）的鲁棒多目标CSO（RMOCSO-PI）。该算法能够减少由不确定性引发的无目的、低效搜索，从而增强算法的鲁棒性。首先，基于自回归模型建立预测指标，利用历史群分布数据预测进化趋势。然后，通过评估进化潜力将粒子分为优胜者和失败者，并对其进化进行差异化引导。其次，设计了基于空间融合的竞争机制，为失败粒子生成精确的进化方向。空间融合自适应调整方法将决策空间的学习成本指标与目标空间的学习价值指标相结合，以设置适当的学习权重。第三，提出了动态协同机制，有目的地引导粒子的多样性探索。通过估计进化状态，为粒子动态分配三种协同模式，以实现有目的的多样性探索。为验证RMOCSO-PI的有效性和可靠性，进行了收敛性分析。此外，实验结果表明，RMOCSO-PI具有更稳定且优异的优化性能。
Keyword:
Algorithmic robustness
competitive swarm optimizer (CSO)
evolutionary process uncertainty
multiobjective optimization problems (MOPs)
prediction strategy
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
A Neural Network Based Approach to Simulate Electrothermal Device Interaction in SPICE Environment基于神经网络的SPICE环境中电热设备相互作用模拟方法
.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Adaptive Multiobjective Particle Swarm Optimization Based on Parallel Cell Coordinate System基于并行单元坐标系的自适应多目标粒子群优化算法
PREAI
分享收藏
分享收藏
查看更多内容