基于半监督迁移学习的动态多目标进化算法

作     者：刘阚蓉 李岩 谭树彬 刘圆超 刘建昌 LIU Kan-rong;LI Yan;TAN Shu-bin;LIU Yuan-chao;LIU Jian-chang

作者机构：东北大学流程工业综合自动化国家重点实验室辽宁沈阳110819 东北大学信息科学与工程学院辽宁沈阳110819 本钢板材股份有限公司辽宁本溪117000 

出 版 物：《控制理论与应用》 (Control Theory & Applications)

年 卷 期：2025年第42卷第1期

页      面：1-12页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(62273080)资助 

主　　题：动态多目标优化 进化算法 知识迁移 

摘      要：动态多目标优化问题中的目标函数随系统运行环境的动态变化而改变,这将导致其Pareto最优前沿发生动态变化.在大多数动态多目标优化问题中,不同环境之间存在一定相关性,也就是说动态多目标优化算法可以利用以往环境信息对动态变化的Pareto最优前沿进行实时追踪.为充分利用环境信息去实时追踪动态变化的Pareto最优前沿,本文提出一种基于半监督迁移学习的动态多目标进化算法(SSTL-DMOEA).SSTL-DMOEA包括两个核心组成部分,首先采用一种半监督知识迁移机制将历史环境有利信息迁移至当前环境,以帮助算法在当前环境生成较好的初始种群,从而可以提高算法在当前环境中的搜寻效率;其次,通过利用历史Pareto最优解集的中心点和新环境的进化信息在目标域中生成一系列样本点,这些点可以帮助算法建立更准确的预测模型.与4种先进的动态多目标优化算法相比,SSTL-DMOEA在处理动态多目标优化问题上具有一定的优越性.