Regression and relation-assisted evolutionary algorithm for high-dimensional expensive multi-objective optimization

doi:10.1016/j.swevo.2025.101978

Regression and relation-assisted evolutionary algorithm for high-dimensional expensive multi-objective optimization

2025-06-28

0

PRE

AI

DOI：10.1016/j.swevo.2025.101978

原文链接

原文求助

摘要

En 中文

代理辅助进化算法（SAEAs）在处理昂贵多目标优化问题（EMOPs）方面获得了广泛关注。然而，当涉及高维EMOPs（HEMOPs）时，现有SAEAs的性能因维度敏感性问题而急剧下降，导致难以构建有效的代理模型。为此，我们提出了一种回归和关系辅助进化算法（R2AEA）来处理HEMOPs，该算法包含回归辅助权重优化（RWO）阶段和关系辅助多目标优化（RMO）阶段。具体而言，RWO通过问题转换策略和回归模型实现，将高维问题重新表述为相对低维问题，旨在高效收敛至帕累托最优前沿（PF）。随后，RMO通过新的填充采样准则来维持种群多样性，该准则同时考虑了优化性能以及由预测熵估计的不确定性。为验证其有效性，我们将R2AEA与五种最先进算法在多个基准测试套件上进行比较，维度范围从50到200，并应用于六个真实世界的HEMOPs。实验结果表明，在收敛速度和多样性维持方面，R2AEA在有限的计算资源下展现出优越性。

Regression and relation-assisted evolutionary algorithm for high-dimensional expensive multi-objective optimization

摘要

期刊

机构

引用论文