.png){kind=icon}
返回
Multilayer Perceptron Grouping and Sparse Gaussian Process-Based Surrogate-Assisted Evolutionary Algorithm for Expensive Multiobjective Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2025.3634364.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高斯过程（GPs）在协助进化算法（EAs）解决计算成本高昂的优化问题（EOPs）方面已引起广泛关注，因为它们能够直接提供关于预测不确定性的信息。然而，随着数据量的增加，GPs的计算复杂度呈三次方增长，这严重限制了其在高维计算成本高昂的多目标优化问题（EMOPs）中的计算效率。为解决此限制，我们提出了一种基于代理模型的进化算法（SAEA），该算法整合了多层感知器（MLP）分组与稀疏高斯过程（SGP），被称为MLPSGP-SAEA。首先，MLP分组通过评估每个决策变量对目标函数的影响，从原始空间中选择一个子空间。然后，针对每个目标函数，采用稀疏高斯过程模型，并优化伪输入点的位置，以在提高模型精度的同时增强计算效率。此外，基于稀疏高斯过程模型预测分布的特性，提出了一种自适应稀疏与多样性（ASD）填充准则，以更好地平衡探索与开发。最后，在四个基准测试套件和一个气动设计优化问题上进行了大量实验。实验结果表明，MLPSGP-SAEA相较于当前最先进的SAEAs展现出显著的优势。
Keyword:
Expensive optimization
high-dimensional expensive multiobjective optimization
sparse Gaussian process
surrogate-assisted evolutionary algorithm (SAEA)
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective OptimizationPlatEMO: 用于进化多目标优化的MATLAB平台
OAAI
.png){kind=icon}
OAAI分享收藏Choose Appropriate Subproblems for Collaborative Modeling in Expensive Multiobjective Optimization
PREAI
分享收藏Solving High-Dimensional Expensive Multiobjective Optimization Problems by Adaptive Decision Variable Grouping通过自适应决策变量分组解决高维昂贵多目标优化问题
PREAI
分享收藏分享收藏
查看更多内容