基于代理模型估值不确定度的昂贵多目标优化问题研究

针对代理模型辅助的多目标优化算法中个体不确定度之间相互冲突的问题,本文提出个体每个目标估值不确定的填充准则,同时,为了减少训练模型消耗的计算资源,提出基于非支配排序的样本选择算法。为了验证该算法的可行性,采用DTLZ和WFG测试函数进行测试,得出结果与近些年发表5种具有代表性的同类型算法进行对比,结果说明该算法可以有效的解决昂贵高维高目标优化问题。

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

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。

带隐藏约束昂贵黑箱问题的自适应代理优化方法

针对带隐藏约束的昂贵黑箱全局优化问题,提出采用自适应转换搜索策略的代理优化方法。在转换搜索子步中采用与已估值点个数相关的标准差在当前最优点附近通过随机扰动生成候选点,以更好地平衡局部搜索和全局搜索。为更好地近似真实黑箱目标函数,采用了自适应组合目标代理模型。在50个测试问题上进行了数值实验,计算结果说明了所提算法的有效性。

基于繁殖策略的求解昂贵约束单目标进化算法

实际工程优化中存在大量约束优化问题,且有一些优化问题目标函数和约束函数的评价非常耗时,导致该类问题无法直接使用传统优化算法求解。为此,为了在评价次数有限的情况下获得较好的可行解,针对昂贵单目标约束优化问题,为评价费时的目标函数和约束函数建立径向基函数(Radial Basis Function,RBF)预测模型,以及根据估值自适应选择个体的繁殖策略,以期能产生较好的可行解。在7个标准测试函数及3个工业测试函数上的测试结果表明,相比于其它现有针对昂贵约束问题的优化方法,本方法无需确保初始种群中必须有可行解,且能在优化目标和约束函数评价次数有限的情况下找到更好的解。

两阶段模型协同搜索的昂贵多目标进化优化

近年来,昂贵多目标优化问题的求解获得了越来越多的关注.然而,随着决策空间维度的升高,模型的有效性和准确性很难保证.因此,本文提出了一种两阶段模型协同搜索的昂贵多目标进化优化.在该方法中,每轮种群进化前构建全局模型,以辅助加快对最优解集的搜索.随后,利用搜索到的种群选择其邻域样本训练局部模型,对二者集成辅助算法进行进一步搜索.最后,提出基于不确定度的填充采样策略选点,进行真实评价.为了验证算法的有效性,将本文算法与4个算法分别在DTLZ和MaF测试集以及两个实际问题上进行比较,实验结果表明其具有良好的性能.

双阶段填充采样辅助的昂贵多目标优化

针对代理模型引导多目标优化算法,求解决策变量数量增多的昂贵多目标优化问题时,搜索效率较低的问题,提出一种双阶段填充采样辅助的昂贵多目标优化算法。第一阶段,利用一组方向向量引导产生靠近真实最优解集的样本,加快模型引导算法搜索;第二阶段,由代理模型估计获得估值误差,融合个体与样本之间相似性、个体估值收敛性,选择个体用于真实评价后填充样本集,实现模型性能的提升。在100维和200维的多目标基准测试问题上的实验结果表明,所提算法在同等有限资源内获得了比其它算法更为显著的优势。

基于Kriging模型的改进型NSGA-Ⅲ解决昂贵优化问题

在许多实际的优化问题中,为了进行适应度评估,其物理实验或数值仿真代价高昂,这给大多数现有的多目标进化算法(EAs)带来了巨大挑战。因此,文中提出了一种基于克里金模型辅助的改进参考点引导进化的优化算法,用于解决昂贵的超多目标优化问题。具体而言,根据种群的空间分布特征,借助关联点的熵差信息筛选参考点引导进化,以达到探索与开发的平衡。所提出的代理辅助进化算法(SAEA)使用克里金法来逼近每个目标函数,而无需进行原始昂贵的函数评估从而降低了计算成本。模型管理中采用一种纯指标填充采样准则,借助收敛性、多样性指标确定适当采样策略并使用昂贵目标函数对采样解进行真实评估以提升种群收敛与算法优化的效率。对具有3个以上目标的80个DTLZ与WFG基准测试问题进行了对比研究,证明了此算法的有效性和可行性。

集成二级预测模型辅助的昂贵高维多目标进化算法

使用代理模型辅助进化算法能够提升昂贵优化问题的求解效率。然而,在处理昂贵高维多目标优化问题时,因目标维数较高且计算资源有限,使得代理模型建模困难,难以平衡收敛性和多样性的问题。为此,本研究提出了一种集成二级预测模型辅助的昂贵高维多目标进化算法(ESPSEMEA)。首先,将种群映射到径向空间和转置空间,然后使用克里金模型建立径向空间和转置空间的二级预测模型,使建模复杂度降低;另外,根据径向空间提供的多样性信息和转置空间提供的收敛性信息,将多样性和收敛性作为2个优化目标,使用非支配排序的方式选择后代,有效地平衡收敛性和多样性。通过与其他6个先进的算法进行对比分析,结果表明本文算法在降低建模时间复杂度的同时,能够有效地平衡收敛性和多样性。

基于多目标数据生成的昂贵多目标进化算法

昂贵多目标优化问题是一类需要同时优化多个相互冲突且评估计算成本十分昂贵的目标的复杂优化问题,需要算法在计算资源受限的情况下尽可能找到目标值好且多样性好的一系列非支配解.进化计算方法是求解多目标优化问题的有效手段,但在求解昂贵多目标优化问题时仍面临多样性和收敛性这两个方面的挑战,即难以找到多样性好且收敛到全局最优的一系列解.针对上述挑战,本文提出了新型的基于多目标数据生成的昂贵多目标进化算法.本文的贡献点和创新点主要有以下三个方面.首先,本文提出并证明了非支配解生成定理,并基于此提出了多目标数据生成方法,以更有效地搜索到更多非支配解,提高算法的多样性.其次,本文提出了多种群多代理框架,使用多个代理模型替代评估成本昂贵的真实目标函数,并协同演化多个种群对多个代理模型进行协同求解,从而提高算法的收敛性.再次,基于上述提出的方法和框架,本文提出了基于多目标数据生成的昂贵多目标进化算法,以对昂贵多目标优化问题进行求解.为了验证算法性能,本文在两个著名测试集的共16个问题上进行了丰富的大量测试实验,并与现有的五个前沿算法进行对比.实验结果表明,本文提出的算法能在大部分问题上取得比所有对比算法都更好的性能,具有很好的有效性和高效性.

求解高维昂贵多目标问题的约束型Dropout代理辅助进化算法

现实优化问题常需同时对多个冲突目标进行评估优化,由于评估过程多依赖大量复杂的仿真实验,从而产生计算代价昂贵的问题.代理模型辅助下的进化算法可在计算资源有限的情况下为此类问题提供有效的最优解集.但随着问题决策以及目标空间维度变高,则会衍生出诸多负面因素限制代理模型的预测精度.对此,提出一种基于约束型Dropout神经网络的代理辅助进化算法(Constrained Dropout Neural Network based surrogate-assisted Evolution Algorithm,CDNNEA),以约束型Dropout神经网络作为一种可扩展方案来增强代理模型在高维空间中的适用性,在模型管理部分中,构建种群个体收敛性以及多样性评判指标,自适应地选取引导代理模型更新的代表性个体.通过在DTLZ基准测试问题上进行实验,CDNNEA显示出相较其它先进算法性能表现最优或近似最优,同时将其应用于高维参数自适应优化的现实问题中.实验表明:提供的代表性解决方案投入实际应用时识别准确率均较优且模型计算量可控,验证出CDNNEA在高维昂贵类优化问题上的有效性.

惯性分组和重叠特征选择辅助的昂贵大规模优化算法

昂贵大规模优化问题存在着决策变量之间高度耦合、求解容易陷入局部最优以及目标评价昂贵等问题,导致在资源有限的情况下很难获得全局最优解。为此,基于合作型协同演化策略提出了一种惯性分组和重叠特征选择的方法来辅助求解昂贵大规模优化问题。首先,采用重叠特征选择技术将一个大规模优化问题分解为若干个低维的重叠子问题,并对每一个子问题进行独立的代理模型辅助的优化搜索。其次,将每个子问题搜索获得的潜力个体合成一个完整的解,对其使用昂贵目标函数进行评价。再次,算法还采用惯性分组技术控制优化过程中重新分组的频率以延长分组方案的开发周期,从而提升优化效果。最后,为了测试所提算法的性能,将其与求解昂贵大规模问题的3种优化算法在CEC2013的15个基准函数上获得的实验结果进行了对比。结果表明:所提算法在求解昂贵大规模优化问题上具有一定的竞争力,尤其适用于求解部分可分离、重叠或完全不可分离等问题。

连续昂贵多目标优化问题综述

许多实际工程优化问题通常需要同时优化多个相互冲突的目标,并且目标函数的计算主要依赖十分耗时的仿真实验,此类问题一般可称为昂贵多目标优化问题。代理辅助进化算法通过使用机器学习方法建立代理模型,并辅助算法进行评估,因而使代理辅助进化算法成为解决此类问题的热门方法。根据问题规模大小将相关算法划分成两类,描述每类问题特点,分类梳理相关算法,并说明每个算法的优缺点,以便人们能直观地了解连续昂贵多目标优化问题研究进展,更好地开展后续研究工作。

基于自适应分解的多任务协作型昂贵多目标优化算法

现实世界的工程优化问题通常需要同时优化多个冲突的目标,且这些目标函数的评估由于依赖仿真、物理实验而十分昂贵,这类问题被称为昂贵多目标优化问题.使用机器学习方法建立代理模型用于估计候选解的目标函数值是求解此类问题的一种有效手段.高斯代理模型适用于训练样本数较少的中小规模问题,且能提供评估的不确定性,因此常作为代理模型被应用于昂贵优化.分解是处理多目标优化问题的一种有效手段.一个多目标优化问题可被分解为多个单目标优化子问题,且多个子问题可被进一步划分为代理模型学习的一个目标任务.现有基于分解的昂贵多目标优化算法大多将固定数量的子问题静态地划分到同一任务,从而构造多个固定任务并对其建立多任务高斯代理模型进行求解.这未能充分利用数据的相关信息动态反映出任务间的相关性,限制了多任务高斯过程模型的预测精度以及优化算法的最终性能.为此,本文提出了一种自适应多任务多种群协作搜索算法(AMMCS).AMMCS使用相似性指标实时度量已评估的解集,获得子问题间的相关性,从而自适应地划分任务,提升多任务模型的预测质量.此外,AMMCS使用一个解集(种群)优化一个任务,并通过多种群的协作搜索实现多任务高斯模型的批量优化,提高了采样效率,提升了算法的收敛效率.通过AMMCS与六个代理辅助进化算法进行多组实验对比和分析,显示了AMMCS具有良好的性能.我们同时也设计实验验证了算法中自适应分解以及多种群协作搜索的有效性.

基于径向空间划分的昂贵多目标进化算法

为了解决难以建立精确数学模型或者真实评估实验成本高昂的多目标优化问题,提出了一种基于径向空间划分的昂贵多目标进化算法.首先算法使用高斯回归作为代理模型逼近目标函数;然后将目标空间的个体投影到径向空间,结合目标空间和径向空间信息保留对种群贡献更高的个体;之后由径向空间中个体的位置分布决定下一步应该选择哪些个体进行真实评估;最后,采用一种双档案管理策略维护代理模型的质量.数值实验和现实问题上的结果表明,与5种先进算法相比,该算法在解决昂贵多目标优化问题时能够提供更高质量的解.

浅谈医疗设备售后服务昂贵的影响因素及对策

为正确指导医疗设备监管,保证医疗设备售后服务费用正常,我们对医疗设备售后服务费用高昂的一些影响因素进行研究,并在工作实践中总结出降低医疗设备售后服务费用的一些对策。

刍议职业教育的“昂贵性”

国内学界有人认为职业教育具有"昂贵性"的特征是不准确的,这是由于职业教育的成本既有国家之别、学校之分,又有专业之差、观念之异,还有职业教育与普通教育相互渗透的内在关联,不能笼统地简单论断。

无需昂贵设备的寨卡病毒即时分子诊断

最近,寨卡病毒（ZIKV）疫情在南美洲的爆发,以及它对胎儿发育的毁灭性影响促使世界卫生组织（WHO）将ZIKV大范围流行列为国际关注的突发公共卫生事件。快速、准确的诊断对于可能受感染的孕妇尤其重要。传统的基于免疫反应（immunoassay）的方法对于ZIKV检测缺乏足够的灵敏度和特异性。利用逆转录聚合酶链反应（RT-PCR）技术检测ZIKV本身的遗传物质RNA被认为是诊断这一病毒的黄金标准。

动态Kriging优化算法求解昂贵约束优化问题

针对昂贵单目标约束优化中真实模型计算费时且现有算法收敛速度慢的问题,提出了动态Kriging优化算法以提高计算效率.该算法首先将所有约束条件转换为一个约束函数,然后采用拉丁超立方体采样(LHS)法进行采样,分别建立真实模型目标函数和约束函数的Kriging代理模型,同时结合真实模型对代理模型估计进行误差矫正,采用非支配个体选择、保留和替换机制不断更新样本库和Kriging代理模型.最后将进化最优种群代入真实模型计算其最优值.通过13个标准函数测试表明该算法具有较高的精确度和稳健性,明显减少了真实模型的评价次数.

基于均值改进控制策略的昂贵约束并行代理优化算法

针对具有黑箱特性的昂贵约束优化问题及工程中计算资源利用率不高问题,提出了新的基于均值改进控制策略的并行代理优化算法.该算法为了减少仿真建模计算负担,选取Kriging近似模型对目标函数和约束函数进行近似估计.在Kriging模型基础上,利用均值改进与新增试验样本间的不等关系构建具有距离特性的控制函数.算法的均值改进控制策略通过控制函数调整最大改进值,实现样本设计空间的多点填充.算法适用范围:1)计算成本主要来自于仿真估计而非优化;2)复杂的工程或商业软件内部无法修改的昂贵仿真问题.数值算例和仿真案例表明:该算法可有效获取近似最优解,减少仿真试验次数的同时弱化均值改进准则的贪婪特性.相比于其他多点填充策略,均值改进控制策略可有效提升算法计算效率.此外,算法获取优化问题近似最优解的稳定性和精度均具有一定优势.