机构名称：
¥ 1.0
摘要 - 分解有限的多目标优化问题，其进化算法引起了相当大的关注。使用不同的算法策略，进化运算符和约束处理技术，已经开发出各种受约束的多目标优化算法（CMOEAS）。CMOEA的性能可能很大程度上取决于所使用的操作员，但是，通常很难为当前的问题选择合适的操作员。因此，改善操作员的选择是有希望的，对于CMOEAS来说是必要的。这项工作提出了一个在线操作员的选择框架，并在深入的强化学习中有助于。人口的动态，包括融合，多样性和可行性，被视为国家；候选运营商被视为行动；人口状态的改善被视为奖励。通过使用Q-Network学习策略来估计所有动作的Q值，建议的方法可以适应地选择一个操作员，该操作员根据当前状态最大程度地提高人口的改善，从而改善算法性能。该框架嵌入了四个流行的CMOEAS中，并在42个基准问题上进行了评估。实验结果表明，与九个最先进的CMOEA相比，提出的深钢筋学习辅助操作员的选择显着提高了这些CMOEAS的性能，并且所得算法获得了更好的多功能性。
通过深钢筋学习辅助操作员选择的受约束多目标优化
主要关键词
相关文件推荐
