基于半监督迁移学习的动态多目标进化算法

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Pa...

Full description

Saved in:
Bibliographic Details
Published in控制理论与应用 Vol. 42; no. 1; pp. 1 - 12
Main Authors 刘阚蓉, 李岩, 谭树彬, 刘圆超, 刘建昌
Format Journal Article
LanguageChinese
Published 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 2025
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
Subjects
进化算法
knowledge transfer
动态多目标优化
知识迁移
dynamic multi-objective optimization
evolutionary algorithm
Online AccessGet full text
ISSN1000-8152
DOI10.7641/CTA.2023.30141

Cover

More Information
Summary: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.
ISSN:1000-8152
DOI:10.7641/CTA.2023.30141