帕雷戈

预算为250个评估的多目标优化。在众多的工程应用程序中,必须经常对成千上万的问题进行客观的评估,而不是对成千上万的实际问题进行严格的评估。在本文中,我们研究了两种使用高级初始化和搜索策略来更好地在这些条件下运行的算法。第一个算法,Bin_MSOPS,使用二叉搜索树来划分决策空间,并尝试从“fit”解附近的最大空区域中进行抽样。第二个算法ParEGO从拉丁超立方体中的解开始,在每次函数求值后更新搜索环境的高斯过程代理模型,用它来估计最大期望改进的解。这两种算法是用一套由9个函数组成的基准测试集进行测试的,这些函数分别有两个和三个目标——总共只有250个函数评估。结果表明,这两种算法搜索空间的方式截然不同,这可以用来理解性能差异。这两种算法性能都很好,但是在经过100次函数评估后,ParEGO在9个测试用例中排名第一,在前250次评估后有6个测试用例中排名第一。


zbMATH中的参考文献(参考文献59条)

显示第1到第20个结果,共59个。
按年份排序(引用)
  1. 比吉恩,琼;迪加贝尔,塞巴斯蒂安;Salomon,Ludovic:DMulti MADS:边界约束黑盒多目标优化的网格自适应直接多搜索(2021)
  2. 洛维森,阿尔贝托;Miettinen,Kaisa:关于\textscdirectalgorithm到多目标的扩展(2021)
  3. 比诺伊斯,米凯尔;皮切尼,维克托;泰兰德,帕特里克;Habbal,Abderrahmane:多目标贝叶斯优化的Kalai-Smorodinsky解决方案(2020)
  4. 戴维高德里;勒里奇,鲁道夫;皮切尼,维克托;埃诺,贝诺;Herbert,Vincent:贝叶斯多目标优化中的目标解决方案:序列和批处理版本(2020)
  5. 韩,丁;郑建荣:基于Kriging模型的基于R2期望改善指标的多目标优化算法(2020)
  6. 马连波;王瑞;陈盛敏杰;程、石;王兴伟;林志伟;史玉辉;Huang,Min:一种基于kriging模型的转移矩阵多目标进化算法(2020)
  7. Paulo Paneque Galuzio,Emerson Hochsteiner de Vascocelos Segundo,Leandro dos Santos Coelho,Viviana Cocco Mariani:多目标贝叶斯优化(2020)不是zbMATH
  8. 罗哈斯·冈萨雷斯,塞巴斯蒂安;哈米德·贾拉利;van Nieuwenhuyse,Inneke:多目标随机模拟优化算法(2020)
  9. 罗哈斯·冈萨雷斯,塞巴斯蒂安;van Nieuwenhuyse,Inneke:基于kriging的多目标仿真优化填充算法综述(2020)
  10. 王锡禄;金尧初;施密特,塞巴斯蒂安;Olhofer,Markus:代理辅助进化多目标优化的自适应贝叶斯方法(2020)
  11. 沃特斯,乔兰;基恩,安迪;Degroote,Joris:约束多目标异步代理优化的自适应填充准则的开发(2020)
  12. 詹大伟;邢焕来:昂贵优化的预期改进:回顾(2020)
  13. 马里亚潘,拉古纳汉;Rajan,Vaibhav:用于增强多视图学习的深层集合矩阵分解(2019)
  14. 杨,赞;邱浩波;高、梁;江、陈;张金浩:高维计算代价问题的两层自适应代理辅助进化算法(2019)
  15. 安纳托利,日格拉贾夫斯基;Žilinskas,Antanas:用于建模全局优化问题的高斯随机场协方差函数的选择(2019)
  16. 伊林斯卡斯,安塔纳斯;《基于统计模型的全球决策》(2019年《基于詹姆斯的全球决策模型》)
  17. 布拉德福德,埃里克;施魏特曼,阿图尔M。;Lapkin,Alexei:采用高斯过程、光谱采样和遗传算法的高效多目标优化(2018)
  18. 霍恩,丹尼尔;Demircioılu,Aydın;比什尔,伯纳德;目瞪口呆的,托拜厄斯;Weihs,Claus:大规模核化支持向量机的比较研究(2018)
  19. Bernd Bischl、Jakob Richter、Jakob Bossek、Daniel Horn、Janek Thomas、Michel Lang:mlrMBO:昂贵黑盒函数基于模型优化的模块化框架(2017)阿尔十四
  20. 卡皮塔内斯库,F。;马武利亚,A。;贝内托,E。;艾哈迈迪,A。;Tiruta Barna,L.:基于线性规划的昂贵多目标优化问题的定向局部搜索:在饮用水生产厂的应用(2017)