Surrogate-assisted many-objective evolutionary optimization with angle and shift-based density estimation

doi:10.1016/j.eswa.2026.133513

Surrogate-assisted many-objective evolutionary optimization with angle and shift-based density estimation

2026-07-01

0

PRE

AI

DOI：10.1016/j.eswa.2026.133513

原文链接

原文求助

摘要

En 中文

在解决昂贵的多目标优化问题（MaOPs）时，现有代理辅助进化算法的性能通常受限于所采用的进化框架。为在处理昂贵MaOPs方面取得进一步进展，本文将基于角度和基于位移的密度估计的新进化范式与克里金模型相结合，并提出了一种新型代理辅助进化算法KAnD。在KAnD中，利用数据库中历史真实评估的解构建克里金模型，以近似原始昂贵的MaOP。随后，我们将非支配解引导策略嵌入进化搜索中，以驱动种群在近似问题上实现更好的收敛。接着，我们通过角度指标和基于位移的密度估计指标分别量化每个解对数据库的多样性和收敛性贡献。根据这两个指标选择具有最佳帕累托最优性的解进行昂贵的适应度评估，并存储到数据库中。上述过程确保了在计算资源有限的高维目标空间中同时实现多样性和收敛性。此外，通过引入约束导向机制，KAnD被扩展用于解决受约束的昂贵MaOPs，形成扩展算法CKAnD。在多个基准测试套件上的广泛实验证明了KAnD和CKAnD相较于当前最先进方法的优越性。

Keyword:

Expensive many-objective optimization

problem

Evolutionary algorithm

Kriging model

Angle

Shift-based density estimation

Surrogate-assisted many-objective evolutionary optimization with angle and shift-based density estimation

摘要

期刊

机构

引用论文