检索结果-内蒙古大学图书馆

计算机学报 2025年第2期48卷 358-380页

作者：梁正平王侃周倩王继刚朱泽轩深圳大学计算机与软件学院广东深圳518060 中兴通讯股份有限公司广东深圳518057

稀疏大规模多目标优化存在稀疏位置探测困难、搜索空间巨大等诸多挑战,现有为数不多的稀疏大规模多目标优化算法在稀疏位置的探测准确率和非零决策变量的优化程度方面尚存在较大提升空间.为进一步提升稀疏大规模多目标优化的性能,本文... 详细信息

稀疏大规模多目标优化存在稀疏位置探测困难、搜索空间巨大等诸多挑战,现有为数不多的稀疏大规模多目标优化算法在稀疏位置的探测准确率和非零决策变量的优化程度方面尚存在较大提升空间.为进一步提升稀疏大规模多目标优化的性能,本文从辅助任务构建与优化、辅助任务重新初始化、知识迁移等三个方面,提出了基于进化多任务优化的稀疏大规模多目标优化算法(Evolutionary Multi-Task for Sparse Large-scale Multi-objective Op⁃timization,SLMO-EMT).其中,辅助任务构建与优化方面,基于主任务精英解的稀疏分布,采用两种不同的方式对决策变量的搜索空间进行限定,构建分别用于对稀疏位置和非零决策变量进行降维优化的两个辅助任务.辅助任务重新初始化方面,根据辅助任务在历史迭代中的知识迁移效果,对其搜索空间和当前种群进行更新,以使辅助任务可持续促进主任务的进化.知识迁移方面,首先基于轮询方式和各辅助任务的知识迁移概率,挑选用于知识迁移的辅助任务,再基于相似度挑选适合的知识受体,最后在子代生成过程中采用迁移知识引导的局部交叉,借助辅助任务的知识促进主任务的进化.为验证SLMO-EMT的性能,将其与8个先进的稀疏大规模多目标优化算法在1000-10000维的32个基准测试实例,以及8个应用测试实例上进行对比,实验结果表明SLMO-EMT对于稀疏大规模多目标优化问题的求解具有明显的竞争优势.SLMO-EMT的源代码已在Github上公开:https://***/CIA-SZU/WK.

关键词：稀疏大规模多目标优化进化多任务辅助任务知识迁移

来源：评论

学校读者我要写书评

暂无评论

求解稀疏大规模多目标优化问题的进化算法研究

求解稀疏大规模多目标优化问题的进化算法研究

引用

作者：陈磊安徽大学

学位级别：硕士

多目标优化问题广泛地存在于科学研究和工程实践中,由于多个目标往往相互矛盾的特性,因此不存在一个绝对的最优解可以满足所有的目标,而获得一组相互妥协的解成为多目标优化问题的首要任务。进化算法基于种群的并行优化特性使得它可以... 详细信息

多目标优化问题广泛地存在于科学研究和工程实践中,由于多个目标往往相互矛盾的特性,因此不存在一个绝对的最优解可以满足所有的目标,而获得一组相互妥协的解成为多目标优化问题的首要任务。进化算法基于种群的并行优化特性使得它可以轻易地获得多目标优化问题所需要的一组解,所以它成为解决该问题的最有效方法之一。近些年来,稀疏大规模多目标优化问题逐渐受到越来越多的学者关注,但现有的进化算法通常很难对其进行有效求解,主要挑战有两点:(1)搜索空间未知的稀疏特性;(2)巨大的搜索空间导致的维数灾难。基于双层编码的进化算法在求解稀疏大规模多目标优化问题上取得了较好的效果,但这种主流方法仍有所不足,主要体现在以下两个方面:第一是它们往往忽略了进化中的稀疏信息的指导;第二是它们通常忽略了实数层的进一步优化以及两个编码层之间有效的信息交互。因此,本文针对上述问题,提出了两个新型进化算法用于高效地解决稀疏大规模多目标优化问题。本文的工作主要如下: (1)针对Pareto最优解的稀疏分布未知的特性,本文提出了一个基于多阶段知识引导的进化算法MSKEA用于解决稀疏大规模多目标优化问题。MSKEA算法引入了三种不同的稀疏指导向量,并在不同的进化阶段使用不同的稀疏知识来指导进化,多阶段不同的稀疏知识融合增强了算法的搜索效率与搜索质量。实验表明MSKEA比现有先进的算法在效率和性能上都具有一定的优势。 (2)针对基于双层编码的现有方法求解稀疏大规模多目标优化问题中存在的实数优化不足及两个编码层之间缺乏有效地信息交互的问题,本文提出一个基于跨尺度知识融合的进化算法MOEA/CKF。MOEA/CKF采用了基于交互的双降维和基于交互的双分组相融合的策略约减了维度并保证了解的稀疏性。双降维和双分组优化过程中分别设计了两个编码层之间的信息交互策略,用于指导双降维和双分组中对应实数层的进一步优化。实验对比了7个先进的同类方法,结果表明了MOEA/CKF算法能够在稀疏大规模多目标优化问题上取得较好的结果。

关键词：稀疏大规模多目标优化进化算法多阶段知识引导跨尺度知识融合

来源：评论

学校读者我要写书评

暂无评论

基于决策变量分组的稀疏大规模多目标进化算法研究

基于决策变量分组的稀疏大规模多目标进化算法研究

引用

作者：邹颖杰湘潭大学

学位级别：硕士

多目标问题(MOP)广泛存在于现实生活实际应用与科学研究中,其最主要的特征是存在两个或两个以上的目标函数待优化,且这多个目标之间是相互冲突的,不能简单的将它们合并成单一的目标函数进行优化。解决多目标函数的目的是寻找出一组权衡... 详细信息

多目标问题(MOP)广泛存在于现实生活实际应用与科学研究中,其最主要的特征是存在两个或两个以上的目标函数待优化,且这多个目标之间是相互冲突的,不能简单的将它们合并成单一的目标函数进行优化。解决多目标函数的目的是寻找出一组权衡解,使得在多个目标上都尽可能达到最优。因为进化算法(EA)强大的鲁棒性能以及广泛适用性的全局优化能力,其被广泛应用于各种类型的多目标优化问题。大规模多目标问题(LSMOP)是近些年来被提出的一类问题。这些问题不仅有多目标问题的基本特征,且含有大量的决策变量。面对如此巨大的决策空间,传统的进化算法效率急剧下降。在大规模多目标问题中,存在着这样一类问题,被称为稀疏大规模多目标问题(sparse LSMOP),能否将大部分特定的决策变量准确优化到0值是这类问题的关键。近年来,许多为稀疏大规模多目标问题量身定做的进化算法已经被提出。然而,由于非零决策变量的位置难以准确定位,而且非零决策变量的定位过程与非零决策变量的优化过程之间的信息交互不足,因此这些进化算法产生的最终种群不够稀疏。决策变量分组技术将LSMOP的决策变量分为几组进行优化,在分组依据合理的情况下,会对LSMOP的优化产生显著效果。本文将解决LSMOP的决策变量分组思想进行改进,结合稀疏大规模问题的问题特征,提出了一种基于动态稀疏分组的进化算法(DSGEA)。根据进化算法进行的阶段、种群大小以及种群中非零决策变量分布情况,动态地将决策变量分为若干组。被分为同一组的决策变量被视为一个整体从而共同进化。且提出了一种进化过程中动态更新每个决策变量对目标函数的贡献程度的方法,以及一种改进的进化算子。在算法前期尽可能探寻出非零决策变量的位置,在算法后期能加速整体种群的进化速度。本文还提出了一种基于双层分组的稀疏大规模多目标竞争粒子群算法(CSO-RDG),通过改进的竞争粒子群优化思想对双层编码模式进行优化,且提出的双层决策变量分组进一步加深该编码模式的交互与联系。理论分析以及实验结果表明,DSGEA在非零决策变量定位方面拥有更有效率,而CSO-RDG的双层决策变量分组策略更加注重于对非零决策变量的数值部分的优化效果。提出的DSGEA和CSO-RDG算法,与现有先进的7个针对LSMOP以及针对稀疏LSMOP的进化算法在1000至5000个决策变量的sparse LSMOP进行了对比。不管是在测试问题还是实际应用问题中,所提出的两个算法在针对大规模决策变量且最优解大部分决策变量为零的多目标优化问题都具有较强的竞争力。

关键词：进化算法大规模多目标优化决策变量分组稀疏大规模多目标优化

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：