Offline evolutionary optimization with problem-driven model pool design and weighted model selection indicator

doi:10.1016/j.swevo.2025.102034

Offline evolutionary optimization with problem-driven model pool design and weighted model selection indicator

2025-06-28

0

PRE

AI

DOI：10.1016/j.swevo.2025.102034

原文链接

原文求助

摘要

En 中文

离线数据驱动进化算法旨在基于收集的历史数据提供一种有前景的解决方案，无需在线实时适应度评估。然而，代理模型的适用性在不同问题类型之间存在显著差异，且当前研究常忽视问题特征与模型性能之间的关系。为弥补这一差距，我们提出了一种新型离线数据驱动进化算法MSEA，该算法整合了问题驱动的模型池设计和基于加权指标的模型选择机制。模型池经过精心设计，纳入了四种针对不同优化景观的代理模型，以适应多样化的问题特征。采用基于模型评估和解决方案质量评估的加权选择指标，动态选择最适用于优化问题的模型。广泛的实验结果表明，MSEA能有效识别并利用模型池中的最优模型用于特定离线优化任务。与五种当前先进的离线数据驱动方法相比，MSEA在10至100维度的32个函数中有26个函数取得了最优结果，并且运行时间更快。此外，在高维空间中，MSEA在200至500维度的范围内实现了最佳优化结果。我们的代码可在https://github.com/zhenhuixiang/MSEA获取。

Offline evolutionary optimization with problem-driven model pool design and weighted model selection indicator

摘要

期刊

机构

引用论文