
-
生物通官微
陪你抓住生命科技
跳动的脉搏
将Actor-Critic强化学习与进化算法相结合,用于多模态多目标优化
《IEEE Transactions on Neural Networks and Learning Systems》:Integrating Actor–Critic Reinforcement Learning With Evolutionary Algorithm for Multimodal Multiobjective Optimization
【字体: 大 中 小 】 时间:2026年04月08日 来源:IEEE Transactions on Neural Networks and Learning Systems 8.9
编辑推荐:
多模态多目标优化问题求解中,传统算法环境选择适应性不足。本文创新性融合动作-批评强化学习与进化算法,通过协同在线学习提升环境适应能力。建立动态调整 nich size 的强化学习过程,以收敛与多样性指标为状态、niche size 调整为连续动作、状态优化为奖励,构建适应机制。采用双全连接神经网络分别作为演员网络生成动作和批评网络评估状态,结合局部收敛质量评估实现多样性-收敛性平衡。实验表明,该算法在48个基准问题和实际应用中均优于十种经典算法,尤其在平衡多模态 Pareto 前沿优化方面表现突出。
在实际工程和科学应用中,许多优化问题需要同时优化多个竞争目标,这被称为多目标优化问题(MOPs)。数学上,最小化形式的MOP可以如下正式定义[1]: