分析NSGA-II在噪声下的鲁棒性
神经与进化计算
2023-06-08 v1
摘要
运行时间分析已产生许多关于简单进化算法如(1+1) EA及其在多目标进化优化(EMO)中的对应算法GSEMO效率的结果。近来,出现了对著名且被高频引用的EMO算法NSGA-II的首次运行时间分析,表明具有数千应用的实际算法也可以被严格分析。然而,这些结果仅表明NSGA-II具有与GSEMO相同的性能保证,且尚不清楚NSGA-II何时以及如何能优于GSEMO。我们在噪声优化中研究此问题,并考虑一种噪声模型,该模型以每次评估某个常数概率向所有目标添加大量后验噪声。我们表明GSEMO在每个噪声适应度函数上表现糟糕,因为它倾向于不加区分地移除种群的大部分。相反,当时,NSGA-II能够在\textsc{LeadingOnesTrailingZeroes}上高效处理噪声,因为该算法即使在噪声存在时也能保留有用的搜索点。我们确定了在处的相变,此时覆盖帕累托前沿的期望时间由多项式变为指数。据我们所知,这是NSGA-II能优于GSEMO的首个证明,也是NSGA-II在噪声优化中的首次运行时间分析。
引用
@article{arxiv.2306.04525,
title = {Analysing the Robustness of NSGA-II under Noise},
author = {Duc-Cuong Dang and Andre Opris and Bahare Salehi and Dirk Sudholt},
journal= {arXiv preprint arXiv:2306.04525},
year = {2023}
}
备注
To appear at GECCO 2023