基于自适应遗传算子和动态评分机制的大规模稀疏多目标优化的进化算法

快速阅读: 据《Nature.com》称，针对传统算法稀疏优化能力受限的问题，提出SparseEA-AGDS算法，通过自适应遗传算子与动态评分机制提升搜索效率及解的稀疏性。实验显示，该算法在收敛性和多样性上超越其他五种算法，生成更优稀疏解，为大规模稀疏多目标优化提供新方法。

大规模稀疏多目标优化问题在众多实际场景中十分常见，例如神经网络训练、稀疏回归、模式挖掘以及关键节点检测。在这些场景中，帕累托最优解通常具有稀疏特性。传统的大型多目标优化算法会对所有决策变量实施统一的更新操作，这不仅降低了搜索效率，还使算法得出的帕累托解难以满足稀疏性需求。SparseEA算法能够生成稀疏解并对每个决策变量进行评分，为后续进化过程中的交叉和变异操作奠定了基础。然而，由于迭代过程中分数固定不变，其稀疏优化能力受到限制。

为了解决这一问题，本文提出了一种结合自适应遗传算子与动态评分机制的大规模稀疏多目标优化进化算法（SparseEA-AGDS）。在大规模稀疏进化算法框架内，该算法的自适应遗传算子与动态评分机制能够根据个体非支配层等级的变化情况自动调整交叉和变异操作的概率，并同步更新决策变量的得分，从而促使优势个体获得更多的遗传机会。此外，为了增强算法解决多目标问题的能力，文中还引入了基于参考点的环境筛选策略。

对比实验结果表明，SparseEA-AGDS算法在包含多目标的SMOP基准测试集中，无论是收敛性还是多样性指标上，均优于其他五种算法。同时，该算法还能生成更优质的稀疏帕累托最优解。

SparseEA-AGDS 算法在优化性能与稀疏性控制方面表现优异，为解决大规模稀疏多目标优化问题提供了新的思路。

(以上内容均由Ai生成)