KNN回归动态优化框架

环境突变快速适应

在MOEA/D分解框架中嵌入KNN回归预测，使进化算法能快速响应环境变化，尤其擅长应对突发和频繁变化的多目标优化问题。

Youpeng, Deng · Haobo, Gao · Zheng, Yan · 孟昭鹏 · Hua, Yueyang · Jin, Qiangguo · 曹磊磊

Information Sciences 2025

技术优势

突变适应

利用 KNN 从历史数据快速预测新环境下的帕累托最优解，无需重新训练预测模型，显著降低在线计算成本。

性能领先

在多种动态多目标基准测试中，尤其在环境和变化频繁的场景下，MOEA/D-KNN 在收敛性和多样性指标上均优于当前最优算法。

融合预测与优化

将机器学习预测与进化优化成功结合，为动态多目标问题提供稳健高效的求解框架。

应用场景

• 动态环境优化：算法能快速适应目标函数变化，适用于需在线重优化的动态系统。
• 机器人实时决策：利用历史数据实时预测新环境最优解，减少机器人决策延迟。
• 物联网资源调度：算法在频繁变化环境下保持高性能，适合物联网资源动态分配。
• 智能工厂调度：对突发环境变化响应迅速，可支持工厂动态调度优化。