基于代理模型辅助的参考向量自适应方法应对多目标贝叶斯优化中各类帕累托前沿形状
机器学习
2021-10-12 v1 神经与进化计算
最优化与控制
摘要
我们提出一种代理模型辅助的参考向量自适应（SRVA）方法，用于求解具有不同帕累托前沿形状的高代价多目标与多目标优化问题。SRVA 与一种利用参考向量对目标函数进行标量多目标贝叶斯优化（MBO）算法相结合。MBO 的 Kriging 代理模型用于估计帕累托前沿形状，并在估计的帕累托前沿上生成均匀分布的自适应参考向量。我们将 SRVA 与基于惩罚边界交集的期望改进作为 MBO 的填充准则相结合。所提算法与另外两种 MBO 算法在各种帕累托前沿形状的基准问题上进行了比较。实验结果表明，在目标函数能被 Kriging 模型合理近似的问题中，所提算法优于另外两种。SRVA 改善了这些具有连续、不连续和退化帕累托前沿问题的非支配解的多样性。此外，所提算法尤其在多目标问题中从优化的早期阶段就获得了更好的解。
引用
@article{arxiv.2110.04689,
title = {Surrogate-Assisted Reference Vector Adaptation to Various Pareto Front Shapes for Many-Objective Bayesian Optimization},
author = {Nobuo Namura},
journal= {arXiv preprint arXiv:2110.04689},
year = {2021}
}
备注
8 pages, 4 figures, 4 tables