Expensive constrained multi-objective optimization via adaptive surrogate-assisted dense weight multi-objective evolutionary algorithm

Jiansheng Liu

doi:10.1016/j.swevo.2025.102033

Expensive constrained multi-objective optimization via adaptive surrogate-assisted dense weight multi-objective evolutionary algorithm

2025-06-28

0

PRE

AI

DOI：10.1016/j.swevo.2025.102033

原文链接

摘要

En 中文

昂贵约束多目标优化问题（ECMOPs）面临在有限的昂贵评估中高效获取复杂PF形状的卓越结果，以及平衡约束与目标优化的挑战。此外，单个代理模型通常无法为具有不同特征的多目标或约束提供一致的预测能力。本文设计了一种自适应代理辅助稠密权重多目标进化算法（ASDWMOEA），其中集成了高效的稠密权重双种群进化和有效的代理模型切换机制。具体而言，当种群中不存在可行解时，算法忽略问题约束，使用Kriging代理模型仅针对问题目标进行优化。当种群进入可行域后，算法利用外部权重的关联信息实施三种变异操作，以生成大量高质量候选解。随后，每个外部权重被细化以产生多个内部权重，并选取候选解中的精英子集形成与这些内部权重对应的内部种群。接着，对内部种群进行顺序全局和局部搜索，并选择每个内部权重下改进最显著的精英个体。因此，外部种群基于双指标选择策略进行更新，且算法根据外部种群的更新自适应地在所用的Kriging和RBF代理模型之间切换。最后，算法在与十七种先进最新算法的五个测试套件对比中得到评估。结果表明，ASDWMOEA表现出强大的性能。

Expensive constrained multi-objective optimization via adaptive surrogate-assisted dense weight multi-objective evolutionary algorithm

摘要

期刊

机构

引用论文