Surrogate-assisted evolutionary algorithm with adaptive local region search for high-dimensional expensive multi-objective optimization problems

Qing Wang

doi:10.1016/j.swevo.2025.102232

Surrogate-assisted evolutionary algorithm with adaptive local region search for high-dimensional expensive multi-objective optimization problems

2025-11-24

0

PRE

AI

DOI：10.1016/j.swevo.2025.102232

原文链接

摘要

En 中文

高维昂贵多目标优化问题（HEMOPs）在科学和工程领域中普遍存在。它们对代理辅助进化算法（SAEAs）构成了重大挑战，这主要归因于维度灾难和过高的计算成本。一种常见的方法是将高维搜索空间划分为可能包含帕累托最优解的局部区域，随后使用SAEAs进行深度探索。然而，现有的基于划分的进化方法受限于局部区域对环境变化的适应性不足。为克服此限制，我们提出了AS-SMEA，一种具有自适应局部区域搜索的代理辅助多目标进化算法。该算法在高维空间中动态识别并划分有前景的区域，通过并行代理辅助进化搜索实现高效的协同优化。其通过两种关键策略增强：基于协方差矩阵自适应的方法用于初始化和更新局部区域，以及基于多臂赌博机引导的自适应选择机制用于平衡探索与开发。此外，基于累积超体积懊悔的理论分析确立了AS-SMEA的全局收敛性。在69个基准问题和1个真实世界的大规模集成电路设计流程问题上的全面实验表明，AS-SMEA始终优于六种当前最先进的SAEAs。

Keyword:

Surrogate-assisted evolutionary algorithm

Multi-objective optimization

High-dimensional variables

Surrogate model

Surrogate-assisted evolutionary algorithm with adaptive local region search for high-dimensional expensive multi-objective optimization problems

摘要

期刊

机构

引用论文