ILCMO约束多目标进化算法

大规模问题高效求解

提出双指标与变量分组差分进化策略，同时提升收敛性、多样性和可行性。

Xiaoyu, Zhong · 姚香娟 · 乔康加 · 巩敦卫 · Jin, Yaochu

IEEE Transactions on Evolutionary Computation 2025

参数信息

对比算法数量

7

基准问题数量

4

技术优势

能避免种群多样性丢失

动态指标使种群均匀搜索可行解周围的不可行区域，保持局部多样性。

在大规模空间繁殖质量更高

变量分组差分进化通过组内和组间学习算子改善后代质量。

已评测优于七个先进算法

在四个基准及微电网调度问题上验证有效性。

应用场景

• 大规模约束多目标优化：避免现有算法收敛慢和早熟问题，有效求解大规模约束多目标问题。
• 微电网调度：在微电网调度问题上验证算法有效性，可集成于实际调度系统。
• 进化计算：作为进化算法新方法，推动进化计算在大规模优化领域的发展。