.png){kind=icon}
返回
Nonlinear Multi-objective Optimization with Probabilistic Branch and Bound
.png){kind=icon}
PRE
AI
DOI：10.1142/s0217595926400063.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
提出了一种名为Multiple Objective Probabilistic Branch and Bound with Single Observation (MOPBnB(so))的多目标模拟优化算法，用于逼近随机多目标优化问题的帕累托最优集及其相关有效前沿。MOPBnB(so)在任何解处仅精确评估一次有噪声的函数，并利用邻近解来估计目标函数，这与使用多次重复计算来估计目标函数的变体不同。针对确定性多目标问题的有限时间性能分析提供了MOPBnB(so)捕获帕累托最优集的概率上限。推导了MOPBnB(so)在随机问题上的渐近收敛性，即算法能够捕获帕累托最优集且估计值收敛于真实目标函数值。数值结果表明，与MOPBnB(so)相比，多次重复的变体在计算资源方面极其密集。此外，数值结果还显示MOPBnB(so)在测试问题上优于遗传算法NSGA-II。
Keyword:
Simulation optimization
global optimization
multiple objectives
branch and bound
estimation
期刊
A
IF:
1
论文数:
60
被引数:
0
机构
引用论文
暂无论文信息