数字孪生驱动的多层协同进化算法解决大规模多目标优化问题
《Algorithms》:An Algorithm for Large-Scale Multi-Objective Optimization Problems Digital Twin-Multi-Layer Cooperative Evolutionary Algorithm
【字体:
大
中
小
】
时间:2026年10月02日
来源:Algorithms 2.6
摘要
大规模多目标优化问题涉及高维决策变量、庞大的搜索空间以及相互冲突的目标,当传统进化算法在有限的评价预算下运行时,往往导致收敛缓慢、过早收敛以及解分布不良。为应对这些挑战,本研究提出了DT-MLCEA(数字孪生-多层协同进化算法),一种数字孪生驱动的多层协同进化算法。该方法以进化搜索为核心,引入面向搜索状态的数字孪生反馈机制,联合建模收敛趋势、多样性、分布稀疏性、停滞性和状态置信度,并据此生成多源自适应控制向量(MACV),动态调整关键搜索参数。数字孪生层进一步整合Mini-RL、Mini-AE和Mini-Meta模块,优化控制建议,平衡全局探索与局部开发。DT-MLCEA在LSMOP1至LSMOP9上,分别设置100、500、1000和5000个决策变量,与LMEA、QLMGO、AMSLMOEA和MOEA/D-RDG进行了比较评估。在36个问题-维度组合中,DT-MLCEA在HV和IGD指标上分别在28个和24个组合中显著优于对比算法。在LSMOP1至LSMOP3上的扩展实验表明,即使决策变量数量高达50000,算法仍能保持稳定的性能表现。消融实验、噪声评估和参数敏感性分析进一步验证了各协同模块的有效性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号