基于解空间降维的大规模约束多目标进化算法

针对大规模约束多目标优化问题呈现的高维度和约束限制的解空间,提出一种基于自编码器的解空间降维方法,用以提升进化算法搜索效率.首先,设计一种可行性标签配对策略训练自编码器,通过同时利用解的可行与不可行两类标签信息,构建包含可行域拓扑信息的降维子空间;其次,在降维后的子空间中进行遗传操作,通过解码器得到重构输出返回原始空间,快速定位潜在的可行区域;最后,设计一种子代自适应生成策略,通过结合在降维空间和原始空间生成的子代优势,防止模型坍塌同时提高搜索效率.在基准测试问题集上与五种先进算法进行对比,实验结果表明所提方法能获得更快的收敛速度和更好的解集质量.