Surrogate-assisted neural learning and evolutionary optimization for expensive constrained multi-objective problems

Wenji Li

doi:10.1016/j.swevo.2025.102020

Surrogate-assisted neural learning and evolutionary optimization for expensive constrained multi-objective problems

2025-06-28

0

PRE

AI

DOI：10.1016/j.swevo.2025.102020

原文链接

原文求助

摘要

En 中文

昂贵约束多目标优化问题(ECMOPs)由于目标函数和约束函数评估的高计算成本，存在显著挑战，这严重限制了可行函数评估的数量。为解决此问题，我们提出了一种高效的代理辅助约束多目标进化算法，命名为LEMO。LEMO整合了神经网络学习与一种新颖的约束筛选策略，用于动态构建最相关约束的代理模型。在优化过程中，设计了一个神经网络来学习任意权重向量与其对应约束帕累托最优解之间的映射关系。这使得在要求较少昂贵函数评估的情况下生成高质量解成为可能。此外，引入了一种约束筛选机制，用于动态排除与当前搜索阶段无关的约束，从而简化代理模型并提高约束搜索过程的效率。为评估LEMO的有效性，我们将其性能与七种最先进算法在三个基准测试套件（LIRCMOP、DASCMOP和MW）以及一个实际优化问题上进行比较。实验结果表明，LEMO在计算效率和解决方案质量两方面均显著优于这些算法。

Surrogate-assisted neural learning and evolutionary optimization for expensive constrained multi-objective problems

摘要

期刊

机构

引用论文