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

doi:10.3778/j.issn.1002-8331.2306-0252

摘要/摘要

摘要：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-shielde-laumanns-zitzler）、MaF（多目标函数）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。

关键词: 昂贵优化, 多目标优化, 决策变量高维, 代理辅助进化算法, 增量克里金模型, 三阶段自适应采样策略

摘要：代理辅助进化算法已被广泛应用于求解代价高昂的多目标优化问题，但由于代理模型的局限性，往往局限于求解具有低维决策变量的问题。为了解决代价高昂的高维多目标优化问题，提出了一种基于三阶段自适应采样策略的改进的增量克里金辅助进化算法。该算法使用改进的增量克里格模型来逼近每个目标函数。该模型的超参数根据预测不确定性自适应更新，在保证模型高维精度的同时降低了计算复杂度。此外，提出了用于模型管理的三阶段自适应采样策略，该策略将采样过程划分为不同的优化阶段，以定制个体的选择。它能够保证先收敛，提高算法的收敛速度。为了验证所提出算法的有效性，将两组包含各种特征的测试问题DTLZ（deb tiele laumanns zitzler）、MaF（多目标函数）和路径规划实际工程问题与现有同类算法进行了比较。结果表明，该算法在求解具有高维决策变量的代价高昂的多目标优化问题时具有很强的竞争力。

关键词： 昂贵的优化，多目标优化，高维决策变量，代理辅助进化算法，增量克里格模型，三级自适应采样策略

顾清华, 刘思含, 王倩, 骆家乐, 刘迪. 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[J] ●●●●。计算机工程与应用, 2024, 60(5): 76-87.

顾庆华、刘思翰、王倩、罗家乐、刘迪。基于三级自适应采样和增量克里格辅助的高维优化算法[J]。计算机工程与应用，2024，60（5）：76-87。

参考文献

[1] 顾清华, 骆家乐, 李学现. 基于小生境的多目标进化算法[J] ●●●●。计算机工程与应用, 2023, 59(1): 126-139.
顾庆浩，LUO J L，LI X X。基于小生境的多目标优化进化算法[J]。计算机工程与应用，2023,59（1）：126-139。
[2] JIN Y C，WANG H D，CHUGH T，等。数据驱动进化优化：综述与案例研究[J]。IEEE进化计算汇刊，2019，23（3）：442-458。
[3] 王海德，金毅C，詹森J.O.创伤系统的数据驱动替代辅助多目标进化优化[J]。IEEE进化计算汇刊，2016，20（6）：939-952。
[4] 郭德，蔡天勇，丁俊林，等.小数据驱动的熔镁炉演化多目标优化[C]//IEEE计算智能系列研讨会论文集，2016年12月6-9日。纽约：IEEE，2016年：1-8。
[5] JIN Y.C.代理辅助进化计算：最新进展和未来挑战[J]。群体与进化计算，2011，1（2）：61-70。
[6] 张建勇，周阿明，张国喜，等.一种基于分类和帕累托控制的多目标进化算法[C]//IEEE进化计算大会论文集，2015年5月25日至28日。纽约：IEEE，2015:2883-2890。
[7] PAN L Q，HE C，TIAN Y，等.一种基于分类的代理辅助进化算法在昂贵多目标优化中的应用[J]。IEEE进化计算汇刊，2019，23（1）：74-88。
[8] 顾清华, 张晓玥, 陈露. 基于改进集成学习分类的代理辅助进化算法[J] ●●●●。控制与决策, 2022, 37(10): 2456-2466.
顾庆华，张晓云，陈春霞。基于代理辅助进化算法的改进集成学习分类[J]。控制与决策，2022，37（10）：2456-2466。
[9] KNOWLES J.ParEGO:一种用于昂贵多目标优化问题的在线横向近似混合算法[J]。IEEE进化计算汇刊，2006，10（1）：50-66。
[10] CHUGH T，JIN Y C，MIETTINEN K，等.一种基于代理辅助参考向量引导的进化算法，用于计算量较大的多目标优化[J]。IEEE进化计算汇刊，2018，22（1）：129-142。
[11] HABIB A，SINGH H K，CHUGH T，等.一种基于多代理辅助分解的进化算法在昂贵多目标优化中的应用[J]。IEEE进化计算汇刊，2019，23（6）：1000-1014。
[12] 陈万芬, 王宇嘉, 林炜星. 异构集成代理辅助多目标粒子群优化算法[J] ●●●●。计算机工程与应用, 2021, 57(23): 71-80.
陈文飞，王永杰，林文霞.基于异构集成代理的多目标粒子群优化算法[J]。计算机工程与应用，2021，57（23）：71-80。
[13] 白富生, 陈姣伶. 基于聚类的昂贵多目标优化代理辅助进化算法[J] ●●●●。运筹学学报, 2022, 26(4): 31-42.
BAI F S，CHEN J L.一种基于聚类的代理辅助进化算法在昂贵多目标优化中的应用[J]。运筹学学报，2022，26（4）：31-42。
[14] BUCHE D，SCHRAUDOLPH N N，KOUMOUTSAKOS P.高斯过程适应度函数模型加速进化算法[J]。IEEE系统人与控制论汇刊第C部分——应用与评论，2005，35（2）：183-194。
[15] SHAHRIARI B，SWERSKY K，WANG Z Y，等.让人走出循环：贝叶斯优化方法综述[J]。IEEE会议记录，2016，104（1）：148-175。
[16] ZHAN D W，XING H L.一种基于增量学习的快速克里金辅助进化算法[J]。IEEE进化计算汇刊，2021，25（5）：941-955。
[17] 袁杰，刘海林，顾凤，等.利用有希望区域研究指标的性质和进化多目标算法[J]。IEEE进化计算汇刊，2020，25（1）：75-86。
[18] TOAL D J J，BRESSLOFF N W，KEANE A J.Kriging超参数调谐策略[J]。AIAA杂志，2008，46（5）：1240-1252。
[19] DEB K，THIELE L，LAUMANNS M等。进化多目标优化的可扩展测试问题[M]。伦敦：Springer-Verlag，2005:105-145。
[20] CHENG R，LI M，TIAN Y，et al.进化多目标优化的基准测试集[J]。复杂与智能系统，2017，3（1）：67-81。
[21]DEB K，JAIN H.一种使用基于参考点的非支配排序方法的进化多目标优化算法，第一部分：求解带方框约束的问题[J]。IEEE进化计算汇刊，2013，18（4）：577-601。
[22]郝赫，周阿明，钱赫，等.基于关系学习和预测的高代价多目标优化[J]。IEEE进化计算汇刊，2022，26（5）：1157-1170。
[23]WANG XL，JIN Y C，SCHMITT S，et al.代理辅助进化多目标优化的自适应贝叶斯方法[J]。信息科学，2020，519:317-331。
[24]郭德，王X，高K，等.基于缺失神经网络的高维多目标和多目标代价问题的进化优化[J]。IEEE系统、人与控制论汇刊：系统，2022，52（4）：2084-2097。
[25]郭德，金彦C，丁俊林，等.基于异质集成的代价问题演化多目标优化填充准则[J]。IEEE控制论汇刊，2019，49（3）：1012-1025。
[26]SONG Z S，WANG H D，HE C，等.一种基于Kriging-assisted的双档案进化算法用于昂贵的多目标优化[J]。IEEE进化计算汇刊，2021，25（6）：1013-1027。
[27]田毅，程锐，张晓勇，等.PlatEMO：一个用于进化多目标优化的MATLAB平台[J]。IEEE计算智能杂志，2017，12（4）：73-87。
[28]WEISE J，MOSTAGHIM S.一个可扩展的多目标寻路基准套件[J]。IEEE进化计算汇刊，2021，26（1）：188-194。