.png){kind=icon}
返回
Conditional diffusion with gradient guidance for high-dimensional expensive multi-objective optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102340.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多目标优化中，对于昂贵的函数评估需要高效利用有限的计算预算。现有的代理辅助进化算法依赖于高斯过程或径向基函数；然而，这些方法存在立方计算复杂度，并在高维决策空间中表现退化。本文提出了一种条件扩散框架，将帕累托集建模为可学习的概率分布，而非离散点集。我们的方法包含三个组成部分：一个基于Transformer的扩散模型，根据偏好向量生成候选解；一种梯度引导采样机制，在反向扩散过程中整合代理模型导出的下降方向；以及一种基于熵加权的批量选择获取集。该扩散模型学习将噪声样本直接映射到帕累托最优区域。与各向同性的变异算子相比，梯度引导将生成过程导向改进的目标值，而排斥机制则保持解的多样性。我们在多个基准测试套件上评估了所提方法，决策维度最高达100维，目标数量最多达10个。结果表明，在相同的评估预算下，该方法相较于当前最先进的方法具有更优的性能。
Keyword:
Multi-objective optimization
Diffusion models
Gradient guidance
Surrogate-assisted evolutionary algorithms
High-dimensional decision spaces
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
.png){kind=icon}
分享收藏
Multiobjective optimization using Gaussian process emulators via stepwise uncertainty reduction
PREAI
分享收藏分享收藏A Stochastic Radial Basis Function Method for the Global Optimization of Expensive Functions全局优化昂贵函数的随机径向基函数方法
PREAI
分享收藏
查看更多内容