基于ε-支配的昂贵超多目标黑箱问题代理优化算法

针对求解昂贵超多目标黑箱优化问题的算法进行研究。基于SOCEMO算法,将ε-支配用于目标值采样策略,提出ε-SOCEMO算法。在42个超多目标测试问题上对ε-SOCEMO算法和SOCEMO算法进行了数值实验,结果显示ε-SOCEMO算法在性能评价指标上具有较好的表现。数值实验表明这种改进的目标值采样策略可以提升SOCEMO算法在昂贵超多目标黑箱优化问题上的计算效果。

一种求解昂贵黑箱优化问题的多代理辅助进化算法

[目的]提出一种求解昂贵黑箱优化问题的多代理辅助进化算法。[方法]对进化采样辅助优化算法进行改进,将全局搜索中每代的进化操作进行10次,以降低求解的不稳定性;并对全局搜索与局部搜索的转换采用自适应距离准则判断,从而提高求解的精度。[结果]得到了新的昂贵黑箱优化问题的多代理辅助进化算法。[结论]使用22个测试问题对新算法的数值结果进行评估,结果表明新算法与进化采样辅助优化算法相比优势明显。

一种带有隐藏约束昂贵黑箱优化问题的改进响应面方法

【目的】提出一种求解带有隐藏约束的昂贵黑箱优化问题的新响应面方法。【方法】对SHEBO算法进行了改进,取消了MADS强化搜索这一步骤,节约了昂贵黑箱目标函数的估值次数,并改善了响应面模型的更新策略,从而提高了算法效率。【结果】得到了新的带有隐藏约束昂贵黑箱优化问题的响应面方法。【结论】通过50个标准的测试问题对新算法的数值表现进行了评估,结果表明新算法优于原有的SHEBO方法。

基于约束优化的混合径向基函数响应面方法

【目的】为更好地求解昂贵黑箱函数优化问题。【方法】在响应面约束优化算法的基础上,采用由薄板样条径向基函数模型和三次径向基函数模型的组合得到的混合模型作为新响应面模型对黑箱函数进行逼近,并且在优化过程中自适应选择混合模型的权重因子。【结果】得到了混合径向基函数响应面算法。【结论】在34个常用检验问题上得到的算法数值实验结果表明所提出的算法优于原有的响应面约束优化算法、OPUS算法和SAMSO算法。

一种基于跳出局部最优机制的自适应响应面方法

[目的]针对昂贵黑箱函数优化问题提出一种能够更好平衡局部搜索和全局搜索的响应面方法。[方法]对径向基函数响应面约束优化算法进行了改进,首先增加了判断陷入局部最优的机制,然后引入填充函数方法辅助选择新采样点,进而利用新采样点跳出局部最优。[结果]在37个公开的全局优化算法测试问题上的数值实验表明,本文提出的基于填充函数跳出局部最优机制的自适应响应面算法能够收敛到更好的近似全局最优解。[结论]基于填充函数方法的局部最优解跳出机制能够提升算法的全局搜索能力。