基于渐进学习价值函数的交互式分解多目标优化
神经与进化计算
2018-10-02 v2
摘要
分解已成为进化多目标优化（EMO）中日益流行的技术。基于分解的 EMO 算法通常旨在逼近整个 Pareto 最优前沿（PF）。然而在实践中，决策者（DM）可能只对其感兴趣区域（ROI），即 PF 的一部分感兴趣。该区域之外的解对决策过程可能无用甚至产生干扰。此外，在处理多目标问题时，无法保证找到偏好解。本文提出了一种用于基于分解的 EMO 算法的交互式框架，以引导 DM 获得其偏好的解。该框架由三个模块组成，即咨询、偏好获取与优化。具体而言，每隔若干代，DM 会在咨询环节中被要求对若干候选解打分。此后，一个建模 DM 偏好信息的近似价值函数从 DM 的行为中渐进学习得到。在偏好获取环节，咨询模块中学习到的偏好信息被转化为可用于基于分解的 EMO 算法的形式，即一组偏向 ROI 的参考点。优化模块原则上可以是任意基于分解的 EMO 算法，它利用这些偏置参考点来引导其搜索过程。在具有三到十个目标的基准问题上的大量实验充分证明了我们所提方法在寻找 DM 偏好解方面的有效性。
引用
@article{arxiv.1801.00609,
title = {Interactive Decomposition Multi-Objective Optimization via Progressively Learned Value Functions},
author = {Ke Li and Renzhi Chen and Dragan Savic and Xin Yao},
journal= {arXiv preprint arXiv:1801.00609},
year = {2018}
}
备注
25 pages, 18 figures, 3 tables