.png){kind=icon}
返回
Turning Sparse Large-Scale Multiobjective Optimization Into Evolutionary Multitasking
.png){kind=icon}
PRE
AI
DOI：10.1109/TEVC.2025.3623896.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
稀疏大规模多目标优化问题（SLSMOPs）在各类人工智能应用中频繁出现。它们的特点是高维搜索空间中仅有少数决策变量非零。许多现有算法旨在同时识别零值变量并在缩减的搜索空间中优化非零子集。然而，在这两方面之间实现有效平衡往往难以实现。为解决此问题，我们将SLSMOPs转化为进化多任务优化，最终提出了一种新型优化框架SparseEMT。该框架基于变量重要性将优化过程组织为三个相互关联的任务。第一个辅助任务强调在低维空间中对零和非零变量进行精细探索。第二个辅助任务聚焦于在更低的维空间中对非零变量进行详细搜索。最后，主任务专注于在原始高维空间中搜索。在该框架中，整个种群被划分为三个部分，分别致力于特定任务。个体在任务内及跨任务进行交叉和变异，并通过专门的知识转移策略实现。广泛的实证研究表明，SparseEMT在基准测试套件和实际应用中均优于当前最优算法，使其成为解决SLSMOPs的有效方案。
Keyword:
evolutionary multitasking (EMT)
knowledge transfer
nonzero decision variables
sparse large-scale multiobjective optimization
期刊
IF:
12
论文数:
1.9K
被引数:
2.4W
机构
查看更多机构
引用论文
暂无论文信息