Upsampling graph convolutional neural networks enhanced multimodal multi-objective evolutionary algorithm

Lei Yang

doi:10.1016/j.engappai.2025.112886

Upsampling graph convolutional neural networks enhanced multimodal multi-objective evolutionary algorithm

2025-10-23

0

PRE

AI

L

Lei Yang

党乾龙 (Qianlong Dang) *

DOI：10.1016/j.engappai.2025.112886

原文链接

原文求助

摘要

En 中文

近年来，神经网络的强大学习能力使其被广泛应用于解决多模态多目标优化问题（MMOPs）。然而，通用神经网络在处理具有非欧几里得结构的种群数据方面表现不佳。因此，本文提出了一种基于图卷积网络（GCN）增强的多模态多目标进化算法，该算法能够利用GCN学习决策空间中帕累托最优解集的复杂分布，并通过上采样操作生成兼具良好收敛性和多样性的子代个体，以平衡多样性与收敛性。具体而言，种群基于决策空间中的欧几里得距离表示为图结构数据，并采用GCN聚合解及其邻域的特征。此外，利用线性插值对GCN的聚合结果进行上采样，以获得具有良好开发性能的子代个体。随后，设计了一种最大差异选择机制，通过测量父代与子代之间的分布相似性，在低密度区域选择解，从而增强多样性。将该算法与八种先进算法在56个MMOPs和选址规划问题上进行比较。结果表明，所提算法在保持多样性与收敛性方面表现优异，并在选址规划问题中找到了许多最佳位置。

Upsampling graph convolutional neural networks enhanced multimodal multi-objective evolutionary algorithm

摘要

期刊

机构

引用论文