Reinforcement Learning and Reference Vector-Driven Expensive Multi-objective Optimization

doi:10.1109/tevc.2026.3716135

Reinforcement Learning and Reference Vector-Driven Expensive Multi-objective Optimization

2026-07-22

0

PRE

AI

DOI：10.1109/tevc.2026.3716135

原文链接

原文求助

摘要

En 中文

代理模型辅助的多目标优化已作为解决计算成本高昂的多目标优化问题的领先方法出现。传统方法通常依赖模型管理中的固定单一代理模型或每个目标函数的多个模型，往往未能充分利用不同模型在问题间的互补优势，且在用集成模型增强近似时需承担更高的训练负担。我们提出了一种基于强化学习的模型选择框架，旨在根据当前代理模型和新采样点的近似误差最大化累积奖励。该智能体基于近期奖励趋势定义两种状态，并自主选择单个模型来近似目标函数。一组参考向量引导所选模型的优化朝着帕累托前沿进行。在填充采样中，根据参考向量关联的收敛距离和历史样本分布，从最终种群中选择一个信息丰富的解进行昂贵评估。在包含DTLZ和WFG基准套件以及三个实际问题的广泛实验中，证明了所提出算法与六种当前最先进的SAEAs具有竞争力。

Keyword:

Surrogate-assisted evolutionary optimization

expensive multi-objective optimization problems

reinforcement learning

model selection

reference vector-guided sampling

Reinforcement Learning and Reference Vector-Driven Expensive Multi-objective Optimization

摘要

期刊

机构

引用论文