计算机工程与应用

作者：陈国玉, 郭一楠, 杨潇, 马天兵, 李长河, 袁亮, 韩守飞

单位：1.安徽理工大学 人工智能学院，合肥 231131；2.中国矿业大学（北京） 机械与电气工程学院，北京 100083；3.安徽理工大学 煤炭无人化开采数智技术全国重点实验室，安徽 淮南 232001；4.中国矿业大学 信息与控制工程学院，江苏 徐州 221116；5.安徽理工大学 安全科学与工程学院，安徽 淮南 232001；

关键词：动态约束多目标优化,进化算法,时序知识,相似环境知识,知识迁移

基金：安徽理工大学高层次引进人才科研启动基金（2024yjrc72）；国家重点研发计划（2024YFC3016300）；国家自然科学基金（U23A20340，62503012，62306279）；安徽省自然科学基金（2508085QF254）。

动态约束多目标优化问题存在时变目标函数和约束条件，导致现有方法无法有效平衡变化响应的性能和效率。鉴于此，提出一种基于多源知识迁移策略的动态约束多目标进化算法（multi-source knowledge transfer based dynamic constrained multiobjective evolutionary algorithm，MSKTEA）。该算法设计知识提取策略，利用预测方法分别估计新环境帕累托解集和帕累托前沿，并进一步建立外部存档，以存储多样性的历史解集。随后，设计多源知识迁移策略，利用预测方法得到的时序知识，并基于时序知识在外部存档中提取的相似环境知识，进行知识迁移以生成新环境初始种群。实验结果表明，MSKTEA相较于多个当前较优的算法在处理动态约束多目标优化问题时具有较强的竞争力，能够有效平衡算法追踪动态帕累托最优的性能和效率。

来源：2026年第7期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第7期