Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tối ưu hóa tiến hóa lai hỗ trợ tiêu chí bổ sung nhiều cho các vấn đề tối ưu hóa chi phí tính toán trung bình chiều
Tóm tắt
Các thuật toán tiến hóa hỗ trợ mô hình thay thế đã nhận được nhiều sự chú ý để giải quyết các vấn đề tốn kém về mặt tính toán. Tuy nhiên, việc quản lý mô hình vẫn đóng vai trò quan trọng trong việc tìm kiếm giải pháp tối ưu. Trong bài báo này, một phương pháp mới được đề xuất để đo lường sự bất định trong xấp xỉ, trong đó xem xét sự khác biệt giữa giải pháp và các mẫu lân cận của nó trong không gian quyết định, cũng như độ gồ ghề của không gian mục tiêu trong khu vực lân cận. Sự không chắc chắn trong xấp xỉ được đề suất sẽ được sử dụng trong tìm kiếm toàn cục hỗ trợ mô hình thay thế để tìm một giải pháp cho việc đánh giá mục tiêu chính xác nhằm cải thiện khả năng khám phá của tìm kiếm toàn cục. Mặt khác, giá trị khả năng thích nghi xấp xỉ được nhận làm tiêu chí bổ sung cho tìm kiếm cục bộ hỗ trợ mô hình thay thế, nhằm cải thiện khả năng khai thác để tìm một giải pháp gần với giải pháp tối ưu thực tế nhất có thể. Tìm kiếm toàn cục và cục bộ hỗ trợ mô hình thay thế được thực hiện theo thứ tự ở mỗi thế hệ để cân bằng khả năng khám phá và khai thác của phương pháp. Hiệu suất của phương pháp được đề xuất được đánh giá trên bảy bài toán chuẩn với 10, 20, 30 và 50 chiều, và một ứng dụng thực tế với 30 và 50 chiều. Kết quả thực nghiệm cho thấy phương pháp đề xuất hiệu quả trong việc giải quyết các vấn đề tối ưu hóa tốn kém đầy chiều thấp và trung bình so với sáu thuật toán tiến hóa hỗ trợ mô hình thay thế tiên tiến khác.
Từ khóa
#thuật toán tiến hóa #mô hình thay thế #tối ưu hóa #bất định xấp xỉTài liệu tham khảo
citation_journal_title=IEEE Trans Evol Comput; citation_title=Efficient generalized surrogate-assisted evolutionary algorithm for high-dimensional expensive problems; citation_author=X Cai, L Gao, X Li; citation_volume=24; citation_issue=2; citation_publication_date=2020; citation_pages=365-379; citation_doi=10.1109/TEVC.2019.2919762; citation_id=CR1
citation_journal_title=Inf Sci; citation_title=A social learning particle swarm optimization algorithm for scalable optimization; citation_author=R Cheng, Y Jin; citation_volume=291; citation_publication_date=2015; citation_pages=43-60; citation_doi=10.1016/j.ins.2014.08.039; citation_id=CR2
Clarke SM, Griebsch JH, Simpson TW (2004) Analysis of support vector regression for approximation of complex engineering analyses. J Mech Des 127(6):1077–1087
citation_journal_title=Math Geol; citation_title=The origins of Kriging; citation_author=N Cressie; citation_volume=22; citation_issue=3; citation_publication_date=1990; citation_pages=239-252; citation_doi=10.1007/BF00889887; citation_id=CR4
citation_journal_title=IEEE Trans Evol Comput; citation_title=Differential evolution: a survey of the state-of-the-art; citation_author=S Das, PN Suganthan; citation_volume=15; citation_issue=1; citation_publication_date=2010; citation_pages=4-31; citation_doi=10.1109/TEVC.2010.2059031; citation_id=CR5
citation_title=Problem definitions and evaluation criteria for CEC 2011 competition on testing evolutionary algorithms on real world optimization problems; citation_publication_date=2010; citation_id=CR6; citation_author=S Das; citation_author=PN Suganthan; citation_publisher=Jadavpur University, Nanyang Technological University
Dasgupta D, Michalewicz Z (2013) Evolutionary algorithms in engineering applications. Springer, New York
citation_journal_title=Complex Syst; citation_title=Simulated binary crossover for continuous search space; citation_author=K Deb, RB Agrawal; citation_volume=9; citation_issue=2; citation_publication_date=1995; citation_pages=115-148; citation_id=CR8
citation_journal_title=IEEE J Sel Areas Commun; citation_title=A method of a spread-spectrum radar polyphase code design; citation_author=ML Dukic, ZS Dobrosavljevic; citation_volume=8; citation_issue=5; citation_publication_date=1990; citation_pages=743-749; citation_doi=10.1109/49.56381; citation_id=CR9
citation_journal_title=Control Eng Pract; citation_title=Evolutionary algorithms in control systems engineering: a survey; citation_author=PJ Fleming, RC Purshouse; citation_volume=10; citation_issue=11; citation_publication_date=2002; citation_pages=1223-1241; citation_doi=10.1016/S0967-0661(02)00081-3; citation_id=CR10
citation_journal_title=Struct Multidiscip Optim; citation_title=Comparing error estimation measures for polynomial and Kriging approximation of noise-free functions; citation_author=T Goel, RT Hafkta, W Shyy; citation_volume=38; citation_issue=5; citation_publication_date=2009; citation_pages=429; citation_doi=10.1007/s00158-008-0290-z; citation_id=CR11
citation_journal_title=J Global Optim; citation_title=A radial basis function method for global optimization; citation_author=HM Gutmann; citation_volume=19; citation_issue=3; citation_publication_date=2001; citation_pages=201-227; citation_doi=10.1023/A:1011255519438; citation_id=CR12
citation_journal_title=J Geophys Res; citation_title=Multiquadric equations of topography and other irregular surfaces; citation_author=RL Hardy; citation_volume=76; citation_issue=8; citation_publication_date=1971; citation_pages=1905-1915; citation_doi=10.1029/JB076i008p01905; citation_id=CR13
citation_journal_title=Inf Sci; citation_title=Evolutionary algorithm assisted by surrogate model in the framework of ordinal optimization and optimal computing budget allocation; citation_author=SC Horng, SY Lin; citation_volume=233; citation_publication_date=2013; citation_pages=214-229; citation_doi=10.1016/j.ins.2013.01.024; citation_id=CR14
citation_journal_title=Swarm Evol Comput; citation_title=Offline data-driven evolutionary optimization based on tri-training; citation_author=P Huang, H Wang, Y Jin; citation_volume=60; citation_publication_date=2021; citation_pages=100800; citation_doi=10.1016/j.swevo.2020.100800; citation_id=CR15
citation_journal_title=Soft Comput; citation_title=A comprehensive survey of fitness approximation in evolutionary computation; citation_author=Y Jin; citation_volume=9; citation_issue=1; citation_publication_date=2005; citation_pages=3-12; citation_doi=10.1007/s00500-003-0328-5; citation_id=CR16
citation_journal_title=Swarm Evol Comput; citation_title=Surrogate-assisted evolutionary computation: recent advances and future challenges; citation_author=Y Jin; citation_volume=1; citation_issue=2; citation_publication_date=2011; citation_pages=61-70; citation_doi=10.1016/j.swevo.2011.05.001; citation_id=CR17
citation_journal_title=IEEE Trans Evol Comput; citation_title=Data-driven evolutionary optimization: an overview and case studies; citation_author=Y Jin, H Wang, T Chugh, D Guo, K Miettinen; citation_volume=23; citation_issue=3; citation_publication_date=2018; citation_pages=442-458; citation_doi=10.1109/TEVC.2018.2869001; citation_id=CR18
citation_journal_title=J Global Optim; citation_title=Efficient global optimization of expensive black-box functions; citation_author=DR Jones, M Schonlau, WJ Welch; citation_volume=13; citation_issue=4; citation_publication_date=1998; citation_pages=455-492; citation_doi=10.1023/A:1008306431147; citation_id=CR19
Kennedy J, Eberhart R (1995) Particle swarm optimization. In: Proceedings of ICNN’95-International Conference on Neural Networks, vol 4, pp 1942–1948. IEEE
citation_journal_title=Asta Adv Stat Anal; citation_title=Design and analysis of computer experiments; citation_author=S Kuhnt, DM Steinberg; citation_volume=94; citation_issue=4; citation_publication_date=2010; citation_pages=307-309; citation_doi=10.1007/s10182-010-0143-0; citation_id=CR21
citation_journal_title=Appl Soft Comput; citation_title=Ensemble of surrogates assisted particle swarm optimization of medium scale expensive problems; citation_author=F Li, X Cai, L Gao; citation_volume=74; citation_publication_date=2019; citation_pages=291-305; citation_doi=10.1016/j.asoc.2018.10.037; citation_id=CR22
Li F, Cai X, Gao L, Shen W (2020) A surrogate-assisted multiswarm optimization algorithm for high-dimensional computationally expensive problems. IEEE Trans Cybern
citation_journal_title=IEEE Trans Evol Comput; citation_title=Boosting data-driven evolutionary algorithm with localized data generation; citation_author=JY Li, ZH Zhan, C Wang, H Jin, J Zhang; citation_volume=24; citation_issue=5; citation_publication_date=2020; citation_pages=923-937; citation_doi=10.1109/TEVC.2020.2979740; citation_id=CR24
Liao P, Sun C, Zhang G, Jin Y (2020) Multi-surrogate multi-tasking optimization of expensive problems. Knowl Based Syst 205:106262
citation_journal_title=IEEE Trans Evol Comput; citation_title=Generalizing surrogate-assisted evolutionary computation; citation_author=D Lim, Y Jin, YS Ong, B Sendhoff; citation_volume=14; citation_issue=3; citation_publication_date=2010; citation_pages=329-355; citation_doi=10.1109/TEVC.2009.2027359; citation_id=CR26
Mezura-Montes E, Velázquez-Reyes J, Coello Coello CA (2006) A comparative study of differential evolution variants for global optimization. In: Proceedings of the 8th annual conference on genetic and evolutionary computation, pp 485–492
citation_journal_title=AIAA J; citation_title=Evolutionary optimization of computationally expensive problems via surrogate modeling; citation_author=YS Ong, PB Nair, AJ Keane; citation_volume=41; citation_issue=4; citation_publication_date=2003; citation_pages=687-696; citation_doi=10.2514/2.1999; citation_id=CR28
citation_journal_title=Inf Sci; citation_title=An efficient surrogate-assisted hybrid optimization algorithm for expensive optimization problems; citation_author=JS Pan, N Liu, SC Chu, T Lai; citation_volume=561; citation_publication_date=2021; citation_pages=304-325; citation_doi=10.1016/j.ins.2020.11.056; citation_id=CR29
Williams CK, Rasmussen CE (2006) Gaussian processes for machine learning, vol 2. MIT Press Cambridge, MA
Ren Z, Sun C, Tan Y, Zhang G, Qin S (2021) A bi-stage surrogate-assisted hybrid algorithm for expensive optimization problems. Complex Intell Syst 7(3):1391–1405
citation_journal_title=Stat Comput; citation_title=A tutorial on support vector regression; citation_author=AJ Smola, B Schölkopf; citation_volume=14; citation_issue=3; citation_publication_date=2004; citation_pages=199-222; citation_doi=10.1023/B:STCO.0000035301.49549.88; citation_id=CR32
citation_journal_title=J Global Optim; citation_title=Differential evolution—a simple and efficient heuristic for global optimization over continuous spaces; citation_author=R Storn, K Price; citation_volume=11; citation_issue=4; citation_publication_date=1997; citation_pages=341-359; citation_doi=10.1023/A:1008202821328; citation_id=CR33
citation_journal_title=IEEE Trans Evol Comput; citation_title=Surrogate-assisted cooperative swarm optimization of high-dimensional expensive problems; citation_author=C Sun, Y Jin, R Cheng, J Ding, J Zeng; citation_volume=21; citation_issue=4; citation_publication_date=2017; citation_pages=644-660; citation_doi=10.1109/TEVC.2017.2675628; citation_id=CR34
Sun C, Jin Y, Zeng J, Yu Y (2015) A two-layer surrogate-assisted particle swarm optimization algorithm. Soft Computing 19(6):1461–1475
citation_journal_title=Inf Sci; citation_title=A new fitness estimation strategy for particle swarm optimization; citation_author=C Sun, J Zeng, J Pan, S Xue, Y Jin; citation_volume=221; citation_publication_date=2013; citation_pages=355-370; citation_doi=10.1016/j.ins.2012.09.030; citation_id=CR36
citation_journal_title=IEEE Trans Evol Comput; citation_title=Multiobjective infill criterion driven gaussian process-assisted particle swarm optimization of high-dimensional expensive problems; citation_author=J Tian, Y Tan, J Zeng, C Sun, Y Jin; citation_volume=23; citation_issue=3; citation_publication_date=2018; citation_pages=459-472; citation_doi=10.1109/TEVC.2018.2869247; citation_id=CR37
citation_journal_title=J Mech Des; citation_title=Adaptive response surface method using inherited Latin hypercube design points; citation_author=GG Wang; citation_volume=125; citation_issue=2; citation_publication_date=2003; citation_pages=210-220; citation_doi=10.1115/1.1561044; citation_id=CR38
citation_journal_title=IEEE Trans Cybern; citation_title=Committee-based active learning for surrogate-assisted particle swarm optimization of expensive problems; citation_author=H Wang, Y Jin, J Doherty; citation_volume=47; citation_issue=9; citation_publication_date=2017; citation_pages=2664-2677; citation_doi=10.1109/TCYB.2017.2710978; citation_id=CR39
citation_journal_title=IEEE Trans Evol Comput; citation_title=Offline data-driven evolutionary optimization using selective surrogate ensembles; citation_author=H Wang, Y Jin, C Sun, J Doherty; citation_volume=23; citation_issue=2; citation_publication_date=2018; citation_pages=203-216; citation_doi=10.1109/TEVC.2018.2834881; citation_id=CR40
Wang W (2008) Face recognition based on radial basis function neural networks. In: 2008 International seminar on future information technology and management engineering, pp 41–44
citation_title=Critical values and probability levels for the Wilcoxon rank sum test and the Wilcoxon signed rank test; citation_publication_date=1963; citation_id=CR42; citation_author=F Wilcoxon; citation_author=S Katti; citation_author=RA Wilcox; citation_publisher=American Cyanamid Company
citation_journal_title=Knowl Based Syst; citation_title=A generation-based optimal restart strategy for surrogate-assisted social learning particle swarm optimization; citation_author=H Yu, Y Tan, C Sun, J Zeng; citation_volume=163; citation_publication_date=2019; citation_pages=14-25; citation_doi=10.1016/j.knosys.2018.08.010; citation_id=CR43
citation_journal_title=Inf Sci; citation_title=Surrogate-assisted hierarchical particle swarm optimization; citation_author=H Yu, Y Tan, J Zeng, C Sun, Y Jin; citation_volume=454; citation_publication_date=2018; citation_pages=59-72; citation_doi=10.1016/j.ins.2018.04.062; citation_id=CR44