.png){kind=icon}
返回
Archive assisted fully informed evolutionary algorithm for expensive many-objective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2025.101988.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在许多实际工程和科学优化场景中，实践者经常面临计算成本高昂的多目标优化问题，评估候选解会产生难以承受的计算开销。真正计算数据的固有稀缺性往往导致使用有限数据集构建具有高不确定性的模型。这种不确定性可能对基于代理模型的多目标进化算法（SAMaOEAs）产生不利影响。为解决此问题并提升性能，本文提出了一种基于存档的完全信息进化算法（AFIEA）。在AFIEA中，基于存档数据构建两种模型，同时预测目标值和不确定性趋势（预测值是高估还是低估）。在此基础上，优化器和填充准则过程均完全由预测的目标值和不确定性趋势引导。在优化阶段，采用一种基于不确定性趋势分类（UTC）的上置信界作为采集函数。在填充准则阶段，UTC用于预处理种群，提高低估解的选择概率，而基于存档的指标则选择更精确的解，并在收敛性和多样性方面由存档引导。将AFIEA的性能与六种当前先进的SAMaOEAs在人工基准问题和一项预算有限的实际昂贵优化问题上进行比较。在基准测试中，AFIEA在大多数测试函数上优于六种先进SAMaOEAs，表明所提出的机制具有强通用性和增强的搜索性能。此外，在电磁设备优化中，AFIEA在更短的时间内以有限的模拟次数实现了更高质量的种群。
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
查看更多机构
引用论文
暂无论文信息