三阶段自适应采样和增量克里金辅助的昂贵高维优化算法

• Published in: 计算机工程与应用 Vol. 60; no. 5; pp. 76 - 87
• Main Authors: 顾清华, 刘思含, 王倩, 骆家乐, 刘迪
• Format: Journal Article
• Language: Chinese
• Published: 西安建筑科技大学 西安市智慧工业感知计算与决策重点实验室,西安 710000 01.03.2024; 西安建筑科技大学 西安市智慧工业感知计算与决策重点实验室,西安 710000%西安建筑科技大学 管理学院,西安 710000; 西安建筑科技大学 资源工程学院,西安 710000%西安建筑科技大学 管理学院,西安 710000; 西安建筑科技大学 资源工程学院,西安 710000; 西安建筑科技大学 管理学院,西安 710000
• Subjects: 增量克里金模型; high-dimensional decision variables; expensive optimization; 昂贵优化; 多目标优化; 代理辅助进化算法; multi-objective optimization; surrogate-assisted evolutionary algorithm; 三阶段自适应采样策略; 决策变量高维; three-stage adaptive sampling strategy; incremental Kriging models
• ISSN: 1002-8331
• DOI: 10.3778/j.issn.1002-8331.2306-0252

TP18; 代理辅助进化算法已广泛应用于求解代价高昂的多目标优化问题,但大多数由于代理模型的局限性而仅限于解决决策变量低维的问题.为了解决高维的昂贵多目标优化问题,提出了一种基于三阶段自适应采样策略的改进增量克里金辅助的进化算法.该算法使用改进的增量克里金模型来近似每个目标函数,此模型的超参数根据预测的不确定性进行自适应更新,降低计算复杂度的同时保证模型在高维上的准确性;此外,在模型管理方面提出一种三阶段自适应采样的策略,将采样过程分为不同的优化阶段以更有针对性的选择个体,能够首先保证收敛性,提高算法的收敛速度.为了验证算法的有效性,在包含各种特征的两组测试问题DTLZ(deb-thiele-laumanns-zitzler)、MaF(many-objective function)和路径规划实际工程问题上与最新的同类型算法进行实验对比,结果表明该算法在解决决策变量高维的昂贵多目标优化问题上具有较强的竞争力.