.png){kind=icon}
返回
Solving Expensive Dynamic Multi-objective Problem via Cross-Problem Knowledge Transfer
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-96-7036-9_18.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
昂贵动态多目标优化问题(EXDMOPs)因其动态和成本高昂的特性而构成重大挑战，由于目标和约束函数随时间演变且适应度评估有限。传统方法将EXDMOPs视为多个独立且静态的高成本多目标问题，这往往忽略了解决EXDMOPs过程中获得的经验或在单个EXDMOP内部重用经验，导致优化性能低效。基于此，本文提出一种利用跨问题知识来增强解决EXDMOPs能力的新方法。与现有单动态问题内的知识迁移方法不同，我们提出的方法利用良好优化任务的存档解，通过跨问题任务选择和知识迁移构建有效初始种群。具体而言，采用多元高斯分布和Wasserstein距离选择最合适的任务进行知识迁移。跨问题知识迁移设计了一种支持向量机(SVM)分类器来迁移解，使得在动态发生时能够构建高质量的初始种群。为评估所提方法性能，在常用EXDMOP基准问题上进行了大量实证研究。结果表明，该方法能够提升解决EXDMOPs的效率与效果。
Keyword:
Cross-problem knowledge transfer
Expensive dynamic multi-objective optimization
Evolutionary optimization
期刊
N
IF:
0
论文数:
20
被引数:
0
机构
引用论文
An adaptive Gaussian process based manifold transfer learning to expensive dynamic multi-objective optimization.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏分享收藏
查看更多内容