由分布对抗网络驱动的大规模多目标优化
神经与进化计算
2020-03-17 v1
摘要
分布估计算法（EDA）作为进化算法（EA）之一，是一种随机优化问题，其建立概率模型描述解的分布，并对概率模型随机采样以生成子代、优化模型与种群。基于 EDA 框架的参考向量引导进化算法（RVEA）在求解多目标优化问题（MaOPs）上表现较好。此外，使用生成对抗网络生成子代解也是 EA 中替代交叉与变异的前沿思路。本文提出一种基于 RVEA[1] 框架并利用分布对抗网络（DAN）[2] 生成新子代的新算法。DAN 采用新的分布框架进行神经网络对抗训练，并在真实样本而非单点上操作，因为该框架相较于单点采样方法还能带来更稳定的训练与极优的模式覆盖。因此，DAN 可针对相同数据分布快速生成具有高收敛性的子代。此外，我们还使用基于竞争粒子群优化器的大规模多目标优化（LMOCSO）[3] 采用新两阶段策略更新位置，以显著提升在巨大决策空间中寻找最优解的搜索效率。所提新算法将在大规模多目标问题（LSMOP）的 9 个基准问题上测试。为衡量性能，我们将所提算法与 RM-MEDA[4]、MO-CMA[10] 和 NSGA-II 等若干前沿 EA 比较。
引用
@article{arxiv.2003.07013,
title = {Large Scale Many-Objective Optimization Driven by Distributional Adversarial Networks},
author = {Zhenyu Liang and Yunfan Li and Zhongwei Wan},
journal= {arXiv preprint arXiv:2003.07013},
year = {2020}
}