在多目标黑盒优化测试套件中使用充分理解的单目标函数
人工智能
2019-01-07 v3 数值分析
神经与进化计算
摘要
若干测试函数套件正被用于多目标优化算法的数值基准测试。尽管它们具有一些期望的性质，例如各种形状的被充分理解的帕累托集和帕累托前沿，但目前使用的大多数函数具有的特征可以说在现实世界问题中代表性不足。它们主要源于此类函数更易构造，并导致不太可能的性质，如可分离性、恰好位于边界约束的最优值、以及仅控制解与帕累托前沿之间距离的变量的存在。此处，我们提出一种构造多目标问题的替代方法——通过组合文献中已有的单目标问题。我们特别描述了 bbob-biobj 测试套件，其具有连续域上 55 个双目标函数，以及其扩展版本含 92 个双目标函数（bbob-biobj-ext）。两个测试套件均已在用于黑盒优化基准测试的 COCO 平台上实现。最后，我们推荐了用于创建任意数量目标的测试套件的一般流程。除了提供形式化函数定义并展示其（已知的）性质外，本文还旨在从具有相似性质的函数组、目标空间归一化和问题实例方面给出我们方法背后的基本原理。后者使我们易于比较确定性与随机求解器的性能，这是基准测试中常被忽视的问题。
引用
@article{arxiv.1604.00359,
title = {Using Well-Understood Single-Objective Functions in Multiobjective Black-Box Optimization Test Suites},
author = {Dimo Brockhoff and Tea Tusar and Anne Auger and Nikolaus Hansen},
journal= {arXiv preprint arXiv:1604.00359},
year = {2019}
}
备注
ArXiv e-prints, arXiv:1604.00359