.png){kind=icon}
返回
Adaptive surrogate-based strategy for accelerating convergence speed when solving expensive unconstrained Multi-Objective Optimisation Problems
.png){kind=icon}
OA
AI
DOI：10.1016/j.swevo.2026.102311.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多目标进化算法（MOEAs）已被证明在解决多目标优化问题（MOOPs）方面是有效的。然而，当应用于计算密集型工业问题时，其性能可能会受到显著阻碍。为解决此限制，我们提出了一种自适应代理建模方法，旨在加速最新MOEAs的早期收敛速度。这具有重要意义，因为它能确保求解器在相对较少的适应度函数评估次数下识别出最优或近优解，从而节省时间和计算资源。我们的方法采用双环架构。外环运行一个（基准）宿主MOEA，执行真实的适应度评估；内环包含一个自适应加速器，利用数据驱动的机器学习（ML）代理模型来近似适应度函数。该方法与NSGA-II和MOEA/D集成后，在31个广泛使用的基准问题和实际北海水域鱼类丰度建模案例研究中进行了测试。结果表明，通过整合高斯过程回归、一维卷积神经网络和随机森林回归，我们提出的方法显著加速了MOEAs在优化初期的收敛速度。
Keyword:
Surrogate models
NSGA-II
MOEA/D
Multi-objective optimisation
Evolutionary algorithms
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
暂无机构信息
引用论文
Surrogate-Based Multi-Objective Optimization of Electrical Machine Designs Facilitating Tolerance Analysis基于代理的电机设计的多目标优化，便于公差分析
.png){kind=icon}
PREAI
分享收藏Hybridization of multi-objective evolutionary algorithms and artificial neural networks for optimizing the performance of electrical drives多目标进化算法和人工神经网络的混合，用于优化电驱动器的性能
PREAI
分享收藏Multiobjective evolutionary algorithms: A comparative case study and the Strength Pareto approach多目标进化算法: 比较案例研究和强度帕累托方法
PREAI
分享收藏分享收藏分享收藏
查看更多内容