面向噪声多目标优化的 KNN 平均法

多目标优化是一种流行的方法，用于寻找具有大搜索空间的复杂问题的解，并能可靠地产生良好的优化结果。然而，随着信息物理系统的兴起，出现了噪声适应度函数这一新挑战，其对给定配置的目标准值是不确定的，每次执行产生变化的结果。这导致优化过程基于随机采样的信息，最终偏好那些适应度值恰巧具有高离群噪声的解。进而，由于采样目标值与可期望目标值之间存在巨大差异，结果并不忠实。受我们在噪声自动驾驶系统方面工作的启发，我们呈现了正在进行的、旨在抵消噪声适应度函数影响且无需对每个解重复执行的研究结果。我们的方法 kNN-Avg 识别一个解点的 k 近邻，并使用加权平均值作为其实际采样适应度的替代。我们在常见基准问题上证明了 kNN-Avg 的可行性，并表明其产生的质量相当好的解，其适应度值更接近于期望值。