Spike-driven Sparse Binary Representation Learning for Large-scale Multi-objective Optimization

doi:10.1109/tevc.2026.3732805

Spike-driven Sparse Binary Representation Learning for Large-scale Multi-objective Optimization

2026-09-11

0

PRE

AI

DOI：10.1109/tevc.2026.3732805

原文链接

原文求助

摘要

En 中文

许多现实世界中的多目标优化问题包含二进制编码和大尺度决策变量，但帕累托解稀疏，对进化算法构成严峻挑战。随着深度神经网络（DNN）的快速发展和广泛应用，基于DNN的决策空间降维在该领域吸引了越来越多的关注。然而，DNN的计算开销是一个持续的挑战，现有方法难以学习稀疏二进制表示，因为其连续激活和基于梯度的更新可能固有地不匹配。不同地，作为第三代人工神经网络，脉冲神经网络（SNN）由于其脉冲触发的事件驱动工作机制，为表示稀疏二进制数据提供了更自然高效的框架。本文首次尝试将脉冲驱动的稀疏二进制表示学习引入稀疏大尺度多目标优化问题（SLMOPs）。具体而言，开发了一种轻量级SNN（采用泄漏积分-发放神经元），用于解决SLMOPs时的进化在线解建模。在训练过程中，我们整合赫布学习以学习非零变量的模式作为局部可塑性，并采用Kullback-Leibler散度损失以学习获得的帕累托解的分布作为全局可塑性。此外，提出了一种自适应发放阈值机制，以提高对不同稀疏度问题的通用性并避免参数调整。实验结果表明，在基准测试和来自不同领域的20个现实世界问题上，本方法在有效性和效率方面均优于针对SLMOPs设计的算法，特别是在具有未知特性和稀疏度的现实世界问题上表现尤为突出。

Keyword:

Sparse large-scale multi-objective optimization

binary encoding

evolutionary algorithms

spiking neural network

spike-driven representation learning

Spike-driven Sparse Binary Representation Learning for Large-scale Multi-objective Optimization

摘要

期刊

机构

引用论文