.png){kind=icon}
返回
Task planning based on improved dimensionality reduction strategy
.png){kind=icon}
OA
AI
DOI：10.1016/j.eij.2025.100733.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文针对任务规划这一复杂且具有挑战性的问题，将其表述为一个高维多目标优化问题并建立了数学模型。为克服传统算法的不足，本文提出了改进算法，包括冗余目标的平均加权拟合以及基于改进聚合树的目标维度约简方法，旨在提升算法的效率与鲁棒性。该方法结合指针网络和轮盘赌策略生成高质量初始种群，从而加速算法收敛与优化。研究结果表明，改进算法在超体积和空间指标方面表现出色。其有效性在实践应用中得到进一步验证，特别是在提高任务完成率、优先级排序、时间效率及带宽利用率方面效果显著。
Keyword:
Objective dimensionality reduction
Principal component analysis
Aggregation tree
Reinforced pointer network
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.3
论文数:
786
被引数:
1.4K
机构
暂无机构信息
引用论文
.png){kind=icon}
Objective Extraction for Many-Objective Optimization Problems: Algorithm and Test Problems多目标优化问题的目标提取: 算法和测试问题
PREAI
分享收藏分享收藏
查看更多内容