基于在线学习稀疏特征的大规模多目标进化算法

TP181; 大规模稀疏多目标优化问题(Sparse Multiobjective Optimization Problems,SMOPs)广泛存在于现实世界.为大规模SMOPs提出通用的解决方法,对于进化计算、控制论和机器学习等领域中的问题解决都具有推动作用.由于SMOPs具有高维决策空间和Pareto最优解稀疏的特性,现有的进化算法在解决SMOPs时,很容易陷入维数灾难的困境.针对这个问题,以稀疏分布的学习为切入点,提出了 一种基于在线学习稀疏特征的大规模多 目标进化算法(Large-scale Multiobjective Evolutio-nary Algorithm Based on...

Full description

Saved in:
Bibliographic Details
Published in计算机科学 Vol. 51; no. 3; pp. 56 - 62
Main Authors 高梦琦, 冯翔, 虞慧群, 王梦灵
Format Journal Article
LanguageChinese
Published 华东理工大学计算机科学与工程系 上海 200237 2024
上海智慧能源工程技术研究中心 上海 200237%华东理工大学自动化系 上海 200237
Subjects
进化算法
稀疏Pareto最优解
大规模多目标优化
在线学习
Evolutionary algorithm
Large-scale multiobjective optimization
Sparse Pareto-optimal solutions
Online learning
Online AccessGet full text

Cover

More Information
Summary:TP181; 大规模稀疏多目标优化问题(Sparse Multiobjective Optimization Problems,SMOPs)广泛存在于现实世界.为大规模SMOPs提出通用的解决方法,对于进化计算、控制论和机器学习等领域中的问题解决都具有推动作用.由于SMOPs具有高维决策空间和Pareto最优解稀疏的特性,现有的进化算法在解决SMOPs时,很容易陷入维数灾难的困境.针对这个问题,以稀疏分布的学习为切入点,提出了 一种基于在线学习稀疏特征的大规模多 目标进化算法(Large-scale Multiobjective Evolutio-nary Algorithm Based on Online Learning of Sparse Features,MOEA/OLSF).具体地,首先设计 了 一种在线学习稀疏特征的方法来挖掘非零变量;然后提出了一种稀疏遗传算子,用于非零变量的进一步搜索和子代解的生成,在非零变量搜索过程中,其二进制交叉和变异算子也用于控制解的稀疏性和多样性.与最新的优秀算法在不同规模的测试问题上的对比结果表明,所提算法在收敛速度和性能方面均更优.
ISSN:1002-137X
DOI:10.11896/jsjkx.230100004