×
董华超;王鹏;傅崇波;宋宝伟

Kriging-assisted teaching-learning-based optimization（KTLBO）用于解决计算量大的约束问题。 （英语） Zbl 1484.90139号

信息科学。 556, 404-435 (2021)。
摘要：本文提出了一种新的算法KTLBO，以实现计算量大的约束优化。在KTLBO中，针对代价高昂的目标和不等式约束，采用Kriging方法开发动态更新的代理模型。提出了一种针对代价约束问题的数据管理方法，用于代价样本的存档、分类和更新，并通过设置惩罚函数自适应地选择精英个体。此外，基于基于教学的优化（TLBO），提出了一种克里金辅助的两阶段优化框架，用于交替进行局部搜索和全局搜索。在克里金辅助教学和学习阶段，分别提出了两种考虑可行性概率的不同预筛选算子，以围绕当前最佳解决方案和表现出更好空间填充性能的样本选择高质量的样本，试图平衡替代物的开发和未知区域的探索。简而言之，KTLBO保留了元-TLBO的启发式搜索机制，同时采用Kriging加速其搜索，从而为代理辅助约束优化提供了一种新的思路。最后，在27个基准案例上，将KTLBO与6种著名方法进行了比较，验证了其在代价高昂的约束优化中的显著优势。此外，采用KTLBO方法对混合体水下滑翔机的结构进行了设计，得到了满意的结果。

引用于5文件

MSC公司：

90 C56 无导数方法和使用广义导数的方法
62K20型 响应面设计
90立方 非线性规划
90 C59 数学规划中的近似方法和启发式

关键词：

代理模型;计算成本高;基于教学-学习的优化;受约束的

软件：

MLMSRBF公司;EGO公司;SO-I公司
PDF格式BibTeX公司 XML格式引用
\textit｛H.Dong｝等人，《信息科学》。556404-435（2021年；兹比尔1484.90139）
全文： 内政部

参考文献：

[1] 奥罗比亚，M.E。；Chhabra，J.P.S。；Warn，G.P。；米勒，S.W。；Yukish，M.A.，当将设计视为一个顺序决策过程时，使用特定问题知识增加边界模型的区分能力，Knowl-基于系统。，1-20 (2020)
[2] 李，F。；沈，W。；蔡，习；高，L。；Wang，G.G.，一种用于计算昂贵问题的快速代理辅助粒子群优化算法，应用。软计算。，92，第106303条pp.（2020）
[3] Dong，H。；Song，B。；Wang，P.，基于代理的优化和基于聚类的空间探索，用于昂贵的多模态问题，Struct。多光盘。最佳。，57, 1553-1577 (2018)
[4] 米兰达·瓦雷拉，M。；Mezura-Montes，E.，代理辅助进化优化中的约束处理技术。实证研究，应用。软计算。，73, 215-229 (2018)
[5] Bagheri，S。；科宁，W。；艾默里奇，M。；Bäck，T.，有限预算下代理辅助约束优化的自调整参数控制，Appl。软计算。，61, 377-393 (2017)
[6] Li，E.，高维约束问题的自适应代理辅助差分进化算法，应用。软计算。，第85条，第105752页（2019年）
[7] 穆勒，J。；Woodbury，J.D.，GOSAC：约束代理近似的全局优化，J.global Optim。，69, 117-136 (2017) ·Zbl 1373.90118号
[8] Akbari，H。；Kazerooni，A.，KASRA：一种基于Kriging的自适应空间约简算法，用于计算昂贵的黑盒约束问题的全局优化，应用。软计算。，90，第106154条pp.（2020）
[9] Wu，Y。；尹，Q。；Jie，H.，一种基于RBF的约束全局优化算法，用于具有计算开销大的目标和约束的问题，Struct。多光盘。最佳。，58, 1633-1655 (2018)
[10] Mezura-Montes，E。；Coello，C.A.C.，《自然激励数值优化中的约束处理：过去、现在和未来》，Swarm Evol。计算。，1, 4, 173-194 (2011)
[11] Farmani，R。；Wright，J.A.，约束优化的自适应适应度公式，IEEE Trans。进化。计算。，7, 5, 445-455 (2003)
[12] J.A.Wright，R.Farmani，《遗传算法：约束最小化的适应度公式》，in：Proc。遗传和进化计算会议，加利福尼亚州旧金山，2001年7月7日至11日，第725-732页。
[13] D.E.Goldberg，搜索、优化和机器学习中的遗传算法，Addison-Wesley，1989，xiii，7，pp.2104-2116·Zbl 0721.68056号
[14] Daneshyari，M。；Yen，G.G.，文化框架内的约束多温粒子群优化，IEEE Trans。系统。，人类网络。A系统。人类，42，2，475-490（2012）
[15] Reynolds，R.G.，《文化算法导论》，Proc。每年。Conf.Evol公司。程序。，131-139（1994年）
[16] Wang，Y。；Cai，Z.，将多目标优化与差分进化相结合来解决约束优化问题，IEEE Trans。进化。计算。，16, 1, 117-134 (2012)
[17] 蔡，Z。；Wang，Y.，基于多目标优化的约束优化进化算法，IEEE Trans。进化。计算。，10, 6, 658-675 (2006)
[18] 价格，K.V。；斯托恩·R·M。；Lampinen，J.A.，《差分进化——全局优化的实用方法》，自然计算。，141, 2 (2005) ·Zbl 1186.90004号
[19] Wang，Y。；王，B.C。；Li，H.X.，将目标函数信息纳入约束进化优化的可行性规则，IEEE Trans。赛博。，46, 12, 2938-2952 (2016)
[20] Kar，A.K.，《生物启发计算——算法和应用范围综述》，专家系统。申请。，59, 20-32 (2016)
[21] Mavrovouniotis，M。；李，C。；Yang，S.，《用于动态优化的群体智能：算法和应用的调查》，swarm Evol。计算。，33, 1-17 (2017)
[22] 陈，X。；梅，C。；Xu，B.，化学动力学系统优化的基于二次插值的教学-学习优化，Knowl-基于系统。，145, 250-263 (2018)
[23] 刘，B。；张，Q。；Gielen，G.G.E.，用于中等规模昂贵优化问题的高斯过程代理模型辅助进化算法，IEEE Trans。进化。计算。，18, 2, 180-192 (2014)
[24] Forrester，A.I.J。；Keane，A.J.，《基于代理的优化的最新进展》，Prog。Aerosp.航空公司。科学。，45, 1-3, 50-79 (2009)
[25] Dong，H。；Song，B。；Dong，Z.，基于多段空间约简（MSSR）代理的全局优化方法，结构。多磁盘。最佳。，54, 4, 907-926 (2016)
[26] Lowe，D。；Broomhead，D.，多变量函数插值和自适应网络，复杂系统。，2, 3, 321-355 (1988) ·兹比尔0657.68085
[27] Mitchell，T.M.，人工神经网络，马赫。学习。，45, 81-127 (1997)
[28] Edwards，J.R.，《差异分数的替代方法：多项式回归和响应面方法》，高级测量。数据分析。，350-400 (2002)
[29] 周，Q。；Wang，Y。；Choi，S.K.，基于多保真元模型的稳健优化方法，结构。多磁盘。最佳。，57, 2, 775-797 (2018)
[30] 刘，H。；Ong，Y.S。；Cai，J.，支持基于仿真的复杂工程设计的全局元建模自适应采样调查，结构。多磁盘。最佳。，57393-416（2018）
[31] Dong，H。；Song，B。；Wang，P.，使用空间缩减（HSOSR）对昂贵的黑箱函数进行基于混合代理的优化，Appl。软计算。，64, 641-655 (2018)
[32] 穆勒，J。；鞋匠，C.A。；Piché，R.，SO-I:用于昂贵非线性整数规划问题的代理模型算法，包括全局优化应用，J.global Optim。，59, 4, 865-889 (2014) ·Zbl 1305.90305号
[33] Jones，D.R。；Schonlau，M。；Welch，W.J.，《昂贵黑盒函数的高效全局优化》，J.global Optim。，13, 4, 455-492 (1998) ·Zbl 0917.90270号
[34] 詹，D。；钱，J。；Cheng，Y.，并行EGO算法的伪期望改进准则，J.Global Optim。，68, 3, 641-662 (2017) ·Zbl 1377.90069号
[35] Regis，R.G。；Shoemaker，C.A.，用于昂贵函数全局优化的随机径向基函数方法，INFORMS J.Compute。，19, 4, 497-509 (2007) ·Zbl 1241.90192号
[36] Dong，H。；Sun，S。；Song，B.，使用基于分数的填充标准的基于多代理的全局优化，Struct。多光盘。最佳。，59, 485-506 (2019)
[37] 哈夫特卡，R.T。；维拉努埃瓦，D。；Chaudhuri，A.，《具有昂贵函数的并行代理辅助全局优化——一项调查》，Struct。多光盘。最佳。，54, 3-13 (2016)
[38] Regis，R.G.，涉及昂贵的黑盒目标和约束函数的大规模优化的随机径向基函数算法，计算。操作。研究，38，5837-853（2011）·Zbl 1434.90109号
[39] 刘，H。；徐，S。；Chen，X.，通过DIRECT类型约束处理技术和自适应元建模策略进行约束全局优化，Struct。多光盘。最佳。，55, 155-177 (2017)
[40] 刘，H。；徐，S。；王，X。；吴杰。；Song，Y.，通过扩展的DIRECT方案解决基于模拟的问题的全局优化算法，工程优化。，47, 11, 1441-1458 (2015)
[41] Jones，D.R。；佩特顿，C.D。；Stuckman，B.E.，《无利普希茨常数的利普希兹优化》，J.Optim。理论应用。，79, 1, 157-181 (1993) ·Zbl 0796.49032号
[42] Dong，H。；Song，B。；东，Z。；Wang，P.，SCGOSR:使用空间缩减的基于代理的约束全局优化，Appl。软计算。，65, 462-477 (2018)
[43] Wang，Y。；尹博士。；Yang，S.，具有不等式约束的昂贵约束优化问题的全局和局部代理辅助差分进化，IEEE Trans。赛博。，49, 5, 1642-1656 (2019)
[44] 风扇，C。；Hou，B。；郑洁。；肖，L。；Yi，L.，使用集成学习的代理辅助粒子群优化，用于小样本数据集的昂贵问题，Appl。软计算。，91，第106242条pp.（2020）
[45] 蔡，X。；邱，H。；高，L。；江，C。；Shao，X.，一种用于高维昂贵问题的高效代理辅助粒子群优化算法，Knowl-基于系统。，184，第104901条pp.（2019）
[46] Rao，R.V。；萨夫萨尼，V.J。；Vakharia，D.P.，基于教学的优化：约束机械设计优化问题的新方法，计算。辅助设计，43，3，303-315（2011）
[47] 杨，Z。；邱，H。；高，L。；蔡，X。；江，C。；Chen，L.，代价昂贵的约束优化问题的代理辅助分类协作差分进化，信息科学。，508, 50-63 (2020) ·兹比尔1456.90161
[48] 金·R。；Chen，W。；Sudjianto，A.，构建计算机实验优化设计的有效算法，J Stat Plan Infer，134，1，268-287（2005）·Zbl 1066.62075号
[49] Sun，C。；Jin，Y。；Cheng，R.，高维代价问题的代理辅助协同群优化，IEEE Trans。进化。计算。，21, 4, 644-660 (2017)
[50] G.Wu，R.Mallipeddi，P.N.Suganthan，2017年CEC约束实际参数优化竞赛的问题定义和评估标准，2017年国家。国防科技大学。青稞酒。中国湖南京博国际。韩国大邱大学南洋理工大学。新加坡大学技术代表。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。