【报告内容】

汇报人：贺国东

汇报单位：太原理工大学

主题：《Learning-Aided Evolutionary Search and Selection for Scaling-up Constrained Multiobjective Optimization》

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1.待解决的问题描述

在有约束的多目标优化问题中，随着决策变量或目标规模的扩大，目前现有的CMOEAs的有效性在急剧下降，特别是在由于约束而存在不可行和欺骗性障碍的情况下。随着目标空间的扩大，在具有高度不规则形状的CMOPs中保持多样性变得越来越具有挑战性，并且现有的进化搜索策略的效率在更大的搜索空间中急剧下降。

2.相关创新方案

1）提出了一种可学习的差分进化算子，在两个改进向量的引导下寻找有希望的解。这两个向量分别由两个训练良好的多层感知器模型学习，这两个模型分别用于约束忽略任务和可行性优先任务。

2）提出了一种聚类辅助下的环境选择策略，同时提出了一个兼顾收敛性和可行性的综合指标来指导各聚类中优秀解的选择，通过该方式来获得一个权衡收敛性、多样性、可行性的后代种群。

3.实验总结

通过学习辅助搜索和聚类辅助选择的协同作用，LCMOEA实现了均衡的种群，确保了多样性，收敛性和可行性。通过大量的实验证明了该方法的优越性，同时我们发现机器学习算法（MLP）的主要作用阶段是演化算法的早期。

4.有待改进

1）改进学习模型

2）对方法进行鲁棒性分析，并研究进一步提高性能的混合方法。

报告时间：2024年04月19日19:30

腾讯会议：371 3868 6615

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)