Efficient Large-Scale Expensive Optimization via Surrogate-Assisted Subproblem Selection

doi:10.1109/TEVC.2025.3544449

Efficient Large-Scale Expensive Optimization via Surrogate-Assisted Subproblem Selection

2025-01-01

0

PRE

AI

DOI：10.1109/TEVC.2025.3544449

原文链接

原文求助

摘要

En 中文

传统的大规模进化算法由于需要大量目标函数评估，在解决高维、黑箱且计算成本高昂的实际应用问题时能力有限。基于代理模型的进化算法（SAEAs）通过依赖廉价的代理模型，已被证明在昂贵的黑箱优化中有效。然而，由于搜索空间的指数级增长和多个局部最优的存在，大规模优化对SAEAs而言仍具挑战性，导致因样本不足而难以训练合适的模型。为应对这些挑战，我们提出在随机选择的维度上构建初始代理模型，并为每个采样维度计算高斯分布。代理模型在扰动每个采样维度时通过从分布中采样提供预测，从而识别构建活动子问题以减小搜索空间的最重要变量。为活动子问题构建的次级代理模型，指导改进的粒子群优化算法的子代生成和环境选择，以有效探索子空间，并在大规模问题中跳出局部最优。在CEC’2013和CEC’2010基准问题上的实验结果表明，所提出的方法在处理大规模昂贵优化问题上优于当前最优算法。该方法在扩展至2000维的CEC’2010基准问题上的效率进一步得到验证。

Keyword:

Large-scale expensive optimization problems (LSEOPs)

radial basis function (RBF)

social learning particle swarm optimization (SL-PSO)

surrogate-assisted optimization

surrogate-assisted subproblem selection

Efficient Large-Scale Expensive Optimization via Surrogate-Assisted Subproblem Selection

摘要

期刊

机构

引用论文