帕雷戈

多目标优化的预算250个评价。在工程和其他“现实世界”的应用中,多目标优化问题必须经常在一个严密的评估预算中解决——几十个或几百个函数评估,而不是数千个。在本文中,我们研究了两种算法,使用先进的初始化和搜索策略,以更好地运行在这些条件下。第一算法BiN-MSOP使用二叉搜索树划分决策空间,并尝试从“适合”解决方案附近的最大空区域中采样。第二种算法PARGO从拉丁超立方体中的解开始,并在每个函数评估之后更新搜索过程的高斯过程替代模型,它用于估计最大期望改进的解。这两种算法是使用两个和三个目标的九个功能的基准套件进行测试的,总共只有250个功能评估的预算。结果表明,这两种算法以非常不同的方式搜索空间,这可以用来理解性能差异。这两种算法都表现良好,但在100个功能评估后的九个测试案例中有七个出现在PaRGO之上,而在前250个评价之后的六个。


ZBMaCT中的参考文献(49篇文章中引用)

显示结果1至20的49。
按年份排序(引文
  1. Gaudrie,戴维;勒里奇,Rodolphe;Pyhany,Vitoter;Enoux,Beoo.t;赫伯特,文森特:贝叶斯多目标优化中的目标解决方案:顺序和批处理版本(2020)
  2. Rojas Gonzalez,塞巴斯蒂安;Jalali,HAMED;van Nieuwenhuyse,Inneke:多目标随机模拟优化算法(2020)
  3. Rojas Gonzalez,塞巴斯蒂安;van Nieuwenhuyse,Inneke:基于Kriging的多目标仿真优化填充算法研究(2020)
  4. Mariappan,Ragunathan;拉扬,瓦伊巴夫:增强多视图学习的深层集合矩阵分解(2019)
  5. 杨,赞;邱,Haobo;高,Liang;江,陈;张,Jinhao:高维计算昂贵问题的两层自适应代理辅助进化算法(2019)
  6. Zhigljavsky,阿纳托利;ILIN斯卡斯,Antanas:一个高斯随机场的协方差函数的选择,用于全局最优化问题的建模(2019)
  7. ILIN斯卡斯、Antanas、加尔文、杰姆斯:基于统计模型的全局优化双目标决策(2019)
  8. 布拉德福德,埃里克;施魏德曼,Artur M.;Lapkin,阿列克谢:采用高斯过程、光谱采样和遗传算法的高效多目标优化(2018)
  9. 霍恩,丹尼尔;DimiCIO Lu,Aydn;BiChl,贝尔恩德;GalasMakes,托拜厄斯;WiHS,克劳斯:大规模核化支持向量机的比较研究(2018)
  10. Bernd Bischl,Jakob Richter,Jakob Bossek,Daniel Horn,Janek Thomas,Michel Lang:MLRMBO:一个基于模型的昂贵黑箱函数优化的模块化框架(2017)阿西夫
  11. Capitanescu,F;Marvuglia,A;BeNETTO,E;艾哈马迪,A.;Tiruta Barna,L:基于线性规划的有针对性的局部搜索用于昂贵的多目标优化问题:在饮用水生产装置中的应用(2017)
  12. Davins Valldaura,琼;穆萨维,萨伊德;皮塔吉尔,吉列尔莫;Plestan,弗兰克:用于昂贵估价函数的多目标优化的PARGO扩展(2017)
  13. Feliot,保罗;BECT,朱利安;巴斯克斯,艾曼纽:约束单目标和多目标优化的贝叶斯方法(2017)
  14. Ingrida斯图纳维亚,Rob J.,史密斯迈尔斯,凯特;Villanova,劳拉:帕累托最优集近似的动态算法选择(2017)
  15. Ye Tian,冉成,邢一张,姚楚金:PrimeMo:进化多目标优化的Matlab平台(2017)阿西夫
  16. 湛,Dawei;钱,Jiachang;程,袁胜:平行自我算法的伪期望改进准则(2017)
  17. Taimoor的Aktar;SunMeMek,Christine A.:用RBF代理和多规则选择计算昂贵的多峰函数的多目标优化(2016)
  18. 艾默里克,米迦勒;杨,开封;Duutz,安德烈;王,郝;丰塞卡,Carlos M.:贝叶斯全局优化的多准则泛化(2016)
  19. 戴维,Kriging,Helrer-Pe Rez,Kriging:基于Kriging的多目标优化约束处理的填充抽样准则(2016)
  20. Shirazi Manesh,Mojdeh;Hydman,Rob J.;史密斯迈尔斯,凯特;Villanova,劳拉:关于昂贵的多目标黑箱优化的抽样方法(2016)