基于动态Thompson采样的MOEA/D自适应算子选择
神经与进化计算
2020-04-24 v1
摘要
在进化计算中，不同的繁殖算子具有不同的搜索动态。为了在探索与开发之间取得良好平衡，拥有一种根据当前状态自动选择最合适算子的自适应算子选择（AOS）机制是非常吸引人的。本文提出了一种用于基于分解的多目标进化算法（MOEA/D）的新型AOS机制。更具体地说，AOS被表述为多臂老虎机问题，其中应用动态Thompson采样（DYTS）将最初在固定奖励分布假设下提出的老虎机学习模型适应到非平稳环境中。特别是，我们老虎机学习模型的每个臂代表一个繁殖算子，并被分配一个先验奖励分布。这些奖励分布的参数将根据从进化过程中收集的性能表现逐步更新。在生成后代时，根据DYTS从这些奖励分布中采样来选择算子。实验结果充分证明了与其他四种最先进的MOEA/D变体相比，我们提出的AOS机制的有效性和竞争力。
引用
@article{arxiv.2004.10874,
title = {Adaptive Operator Selection Based on Dynamic Thompson Sampling for MOEA/D},
author = {Lei Sun and Ke Li},
journal= {arXiv preprint arXiv:2004.10874},
year = {2020}
}