面向中等规模高代价多目标优化问题的代理辅助进化算法
神经与进化计算
2020-02-11 v1
摘要
为目标函数构建代理模型已被证明能有效辅助进化算法（EAs）求解涉及计算昂贵数值模拟或高成本物理实验的真实世界复杂优化问题。然而其有效性多集中于少于 10 个决策变量的小规模问题。代理辅助 EA（SAEAs）的可扩展性尚未得到充分研究。本文提出一种高斯过程代理模型辅助 EA，用于多达 50 个决策变量的中等规模高代价多目标优化问题。我们所提 SAEA 有三个显著特征。首先，在代理模型构建中不使用全部决策变量，而仅使用与各目标函数相关的变量构建代理模型。其次，不直接优化代理目标函数，而是基于代理模型将原始多目标优化问题转化为一个新问题。最后，开发了一种子集选择方法，挑选若干有前景的候选解进行实际目标函数评估，从而更新训练数据集。所提算法的有效性在 10、20、50 变量的基准问题上对比三种最先进 SAEAs 得到验证。
引用
@article{arxiv.2002.03150,
title = {Surrogate Assisted Evolutionary Algorithm for Medium Scale Expensive Multi-Objective Optimisation Problems},
author = {Xiaoran Ruan and Ke Li and Bilel Derbel and Arnaud Liefooghe},
journal= {arXiv preprint arXiv:2002.03150},
year = {2020}
}