.png){kind=icon}
返回
Surrogate-Assisted Many-Objective Optimization With Estimate Error Preference
.png){kind=icon}
PRE
AI
DOI：10.1109/TSMC.2025.3629284.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
代理辅助进化算法被频繁应用于解决耗时、资源密集且黑箱的多目标优化问题。近似模型能有效地在有限的精确函数评估次数内识别出近似最优解集，但这可能需要为代理模型进行大量的训练时间。本文提出了一种基于估计误差指导的模型训练方法，以协助进化算法搜索最优解。在模型训练中，我们根据相邻代估计误差的差异动态使用高斯过程（GP）和径向基函数（RBF）模型，以减少计算时间。当当前估计误差超过先前误差时，模型才会更新，其中估计误差结合了决策空间中的最小距离和所有测试样本的预测误差。在模型辅助搜索中，提出了一种基于近似模型误差偏好的自主函数估计方法。更新后的GP或RBF近似模型的选择依据是更低的模型估计误差；相比之下，平均值则被视为个体的函数值。在补充采样中，解的选择基于最大角度函数估计的非支配排序。基于不确定性的采样方法用于在模型未更新时进行补充。实验探究了误差偏好指导的近似方法的有效性。两个经典基准问题和一个实际问题的结果表明，所提出的算法相比甚至表现良好的优化算法仍具有优越性。
Keyword:
Approximate uncertainty
estimation error preference
expensive multiobjective/many-objective optimization problems (MOPs or MaOPs)
infill sampling
multisurrogate assisted search strategy
期刊
I
IF:
0
论文数:
240
被引数:
0
机构
引用论文
A Kriging-Assisted Two-Archive Evolutionary Algorithm for Expensive Many-Objective Optimization
.png){kind=icon}
PREAI
分享收藏Forecasting carbon price trends based on an interpretable light gradient boosting machine and Bayesian optimization基于可解释的光梯度提升机和贝叶斯优化的碳价格趋势预测
PREAI
分享收藏PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective OptimizationPlatEMO: 用于进化多目标优化的MATLAB平台
OAAI
OAAI分享收藏
查看更多内容