QUIVER：基于成本感知的自适应偏好查询在仿生进化多目标优化中的Surrogate-Assisted方法
机器学习
2026-05-08 v1 神经与进化计算
最优化与控制
摘要
交互式多目标优化系统面临预算分配困境：可以耗费资源进行昂贵的目标评估，或进行偏好 elicitation 以识别帕累托集的相关区域。此外，偏好elicitation本身涵盖不同信息内容和认知负荷的模态，从廉价、噪声的两两偏好陈述（PS），到更丰富但成本更高的indifference调整（IA）。我们研究于未知加权和下的成本感知优化，提出QUIVER（Query-Informed Value Estimation for Regret），一个在仿生进化多目标优化中自适应选择目标评估与异构偏好查询的Surrogate-Assisted优化器。在每一步，QUIVER通过最大化单位总成本下的决策质量改进期望值来选择下一动作。在DTLZ和WFG基准测试中基于合成决策者模型的实验中，QUIVER在具有挑战性的WFG问题上实现了最低的最终效用后悔（WFG4为2.14，WFG9为2.82：显著优于基线方法的25%），超越了所有单模态基线方法。我们分析了最优PS与IA混合比例如何适应问题难度：在简单问题（DTLZ2）上，QUIVER选择80%的PS查询；在困难问题（WFG9）上，它转向35%的IA查询。这一自适应模态选择展示了成本感知偏好学习的实际应用。
引用
@article{arxiv.2605.04267,
title = {QUIVER: Cost-Aware Adaptive Preference Querying in Surrogate-Assisted Evolutionary Multi-Objective Optimization},
author = {Florian A. D. Burnat},
journal= {arXiv preprint arXiv:2605.04267},
year = {2026}
}
备注
Accepted at Genetic and Evolutionary Computation Conference (GECCO '26)