.png){kind=icon}
返回
Sparse large-scale multi-objective optimization algorithm based on impact factor assistance
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.110615.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在现实世界中，存在一类具有1000多个决策变量的多目标优化问题，但其中仅有少数决策变量在优化目标函数中起关键作用。这类问题被定义为稀疏大规模多目标优化问题（SLSMOPs）。由于难以有效识别决策变量的非零位置，传统进化优化算法收敛速度慢且收敛效果差，意味着其无法高效获得帕累托最优解集。为解决此挑战，提出了影响因子辅助算法（IFA），该算法采用一种新型初始种群策略生成稀疏种群。同时，计算每个决策变量的影响因子，作为衡量各决策变量重要性的关键依据。在算法运行过程中，影响因子被迭代更新，以合理地分组决策变量并引导种群进化。该方法能够准确识别非零决策变量的位置。在八个基准问题和实际问题的实验结果表明，该算法优于多种现有的稀疏大规模多目标优化算法（SLSMOEAs）。
Keyword:
Evolutionary algorithm
Impact factor
Decision variable grouping
Multi-objective optimization problems
Sparse large-scale optimization
Instance selection
期刊
IF:
8
论文数:
5.8K
被引数:
3.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
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
分享收藏Adversarial attack and training for deep neural network based power quality disturbance classification基于深度神经网络的电能质量扰动分类对抗攻击与训练
PREAI
分享收藏
查看更多内容