.png){kind=icon}
返回
Imitation Learning for Multiobjective Optimization-AlphaMOEA
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2025.3630825.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在过去十年中，为解决多目标优化问题（MOPs），已开发出多种具有特定增强功能的多目标进化算法（MOEAs）。在本文中，与MOEAs不同，我们提出了一种新的基于人工智能的方法来解决MOPs，该方法采用基于模仿学习的端到端方法，即AlphaMOEA。AlphaMOEA完全由神经网络组成，主要遵循多任务学习（MTL）架构。它包含两个训练阶段：监督学习（SL）阶段和强化学习（RL）阶段。在SL阶段，AlphaMOEA拟合由若干选定的MOEAs提供的决策空间中的解。由于AlphaMOEA中的神经网络由高维参数组成，拟合过程可视为将解从低维空间转换到高维空间。这使得AlphaMOEA能够从高维度视角获取不同的有价值知识。随后，AlphaMOEA在RL阶段进行训练，以在自驱动方式下获得针对各种问题特征的良好MOPs性能。RL阶段依赖于若干设计组件，包括基于相似性的状态设计以测量解之间的距离、基于进化算子的动作集以提供探索行为，以及基于指标引导的奖励以生成增量评估。实验结果表明，AlphaMOEA能够学习高维表示中决策空间的有价值信息，从而在探索与利用之间实现良好的平衡。AlphaMOEA还能在合理时间内进一步改善针对各种问题特征的MOPs求解性能。
Keyword:
Imitation learning
multiobjective evolutionary algorithm (MOEA)
multiobjective optimization
reinforcement learning (RL)
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
分享收藏A Simple and Fast Hypervolume Indicator-Based Multiobjective Evolutionary Algorithm一种简单快速的基于超体积指标的多目标进化算法
PREAI
分享收藏
查看更多内容