×
伊沃·库库特;德克·德斯克里弗;汤姆·达内

快速计算Pareto优化的多目标改进概率和预期改进标准。 （英语） Zbl 1303.90093号

J.全球。最佳方案。 60，编号3，575-594（2014）。
摘要：基于代理的优化（SBO）在工程设计中广泛应用，以减少计算成本高昂的模拟数量。然而，“现实世界”的问题通常由多个相互冲突的目标组成，这些目标导致了一系列具有竞争力的解决方案（帕累托前沿）。虽然更好的方法是使用多目标优化方法直接确定一组帕累托最优解，但通常将目标聚合为单个成本函数以降低计算成本，设计者可以使用它来做出更有效的设计决策（而不是预先权衡和汇总成本）。多目标优化的大部分工作都集中在多目标进化算法（MOEA）上。虽然MOEA非常适合处理大型、棘手的设计空间，但它们通常需要数千个昂贵的模拟，对于正在研究的问题来说，这是非常昂贵的。因此，在多目标优化中使用代理模型（表示为基于多目标代理的优化）可能比SBO方法更有价值，可以加快计算昂贵系统的优化。在本文中，作者提出了一种高效的多目标优化（EMO）算法，该算法使用克里金模型和改进概率的多目标版本以及预期改进标准，通过最少的昂贵仿真来识别Pareto前沿。将EMO算法应用于多个标准基准问题，并与著名的NSGA-II、SPEA2和SMS-EMOA多目标优化方法进行了比较。

引用于21文件

MSC公司：

90C29型 多目标规划

关键词：

多目标优化;预期改进;改善概率;超体积;克里金;高斯过程

软件：

EGO公司;广场广场;PLCP公司;NSGA-II公司;SPEA2公司;ParEGO公司;SMS-EMOA公司;SUMO公司
PDF格式BibTeX公司 XML格式引用
\textit{I.Couckuyt}等人，J.Glob。最佳方案。60，第3号，575--594（2014；Zbl 1303.90093）
全文： 内政部 链接

参考文献：

[1] Auger，A.、Bader，J.、Brockhoff，D.、Zitzler，E.：超体积指示剂理论：最佳μ分布和参考点的选择。在：研讨会基础遗传算法（2009）·Zbl 1369.68293号
[2] Bader，J.、Deb，K.、Zitzler，E.：使用蒙特卡罗采样实现更快的基于超卷的搜索。In：多准则决策可持续能源运输系统（2010）·Zbl 1184.90147号
[3] Beume，N.：S-度量计算，将支配超体积视为kle的度量问题。进化。计算。17(4), 477-492 (2009) ·doi:10.1162/evco.2009.17.4.17402
[4] Beume，N.、Fonseca，C.M.、López-Ibánez，M.：关于计算超体积指示符的复杂性。IEEE传输。进化。计算。13(5), 1075-1082 (2009) ·doi:10.1109/TEVC.2009.2015575
[5] Beume，N.、Naujoks，B.、Emmerich，M.T.M.：SMS-EMOA：基于支配超体积的多目标选择。欧洲药典。第181（3）号决议，1653-1669（2007）·兹比尔1123.90064 ·doi:10.1016/j.jor.2006.08.008
[6] Bonnans，J.F.，Gilbert，J.C.，Lemaréchal，C.，Sagastizábal，C.A.：数值优化：理论和实践方面。柏林施普林格出版社（2006）·Zbl 1108.65060号
[7] Bringmann，K.，Friedrich，T.：近似最小超体积贡献器：一般来说NP-hard，但在实践中速度很快。In:进化多目标优化（2009）·Zbl 1237.68085号
[8] Bringmann，K.，Friedrich，T.：计算超体积贡献时不要贪婪。In:车间基础遗传算法（2009）·Zbl 1369.68299号
[9] Bringmann，K.，Friedrich，T.：计算超卷贡献的有效算法。进化。计算。18(3), 383-402 (2010) ·doi:10.1162/EVCO_a_00012
[10] Couckuyt，I.，Declercq，F.，Dhaene，T.，Rogier，H.：应用于电磁问题的基于代理的填充优化。J.RF微型。计算。辅助工程高级设计。最佳方案。微型。射频电路系统。20(5), 492-501 (2010)
[11] Couckuyt，I.，Descrijver，D.，Dhaene，T.：走向高效的多目标优化：多目标统计准则。摘自：IEEE计算智能世界大会，第1-7页（2012年）·Zbl 1172.90492号
[12] Dam，E.R.，van Husslage，B.G.M.，den Hertog，D.，Melissen，J.B.M.：二维Maximin拉丁超立方体设计。操作。第55（1）号决议，158-169（2007）·Zbl 1167.05303号 ·doi:10.1287/opre.1060.317
[13] de Brabanter，J.：LS-SVM回归建模及其应用。博士论文。鲁汶大学（2004）
[14] Deb，K.，Pratap，A.，Agarwal，S.，Meyarivan，T.：一种快速的精英多目标遗传算法：NSGA-II。进化。计算。IEEE传输。6（2），182-197（2002）·数字对象标识代码：10.1109/4235.996017
[15] Deb，K.，Thiele，L.，Laummans，M.，Zitzler，E.：进化多目标优化的可扩展测试问题。技术报告112，计算机工程和网络实验室（TIK），瑞士联邦理工学院（ETH），瑞士苏黎世（2001）
[16] Emmerich，M.T.M.，Deutz，A.H.，Klinkenberg，J.W.：基于超体积的预期改进：单调性特性和精确计算。In:IEEE进化计算大会（CEC）（2011年）·Zbl 0917.90270号
[17] Emmerich，M.T.M.，Giannakoglou，K.，Naujoks，B.：高斯随机场元模型辅助的单目标和多目标进化优化。IEEE传输。进化。计算。10(4), 421-439 (2006) ·doi:10.1109/TEVC.2005.859463
[18] Fleischer，M.：《帕累托最优度量：多目标元启发式的应用》，第519-533页。In：进化多准则优化（2003）·Zbl 1036.90530号
[19] Forrester，A.、Sobester，A.、Keane，A.：通过替代建模进行工程设计：实用指南。奇切斯特·威利（2008）·doi:10.1002/9780470770801
[20] Friedrich，T.，Horoba，C.，Neumann，F.：乘法近似和超体积指标。In：遗传进化计算（2009）·Zbl 1172.90492号
[21] Gaspar-Cunha，A.，Vieira，A.：使用神经网络近似适应度评估的多目标进化算法。国际期刊计算。系统。信号6（1），18-36（2004）
[22] Gorissen，D.，Crombecq，K.，Couckuyt，I.，Demester，P.，Dhane，T.：基于计算机的设计的代理建模和自适应采样工具箱。J.马赫。学习。第11号决议，2051-2055（2010）
[23] Jeong，S.，Obayashi，S.:多目标问题和数据挖掘的高效全局优化（ego）。In:进化计算大会（2010）
[24] Jones，D.R.：基于响应曲面的全局优化方法分类。手套。最佳方案。21, 345-383 (2001) ·Zbl 1172.90492号 ·doi:10.1023/A:1012771025575
[25] Jones，D.R.，Schonlau，M.，Welch，W.J.：昂贵的黑盒函数的高效全局优化。J.全球。最佳方案。13(4), 455-492 (1998) ·Zbl 0917.90270号 ·doi:10.1023/A:1008306431147
[26] Keane，A.J.：多目标设计优化中使用的统计改进标准。美国农业协会期刊44（4），879-891（2006）·数字对象标识代码：10.2514/1.16875
[27] Kleijnen，J.P.C.：DASE：模拟实验的设计与分析。柏林施普林格出版社（2007）
[28] Knowles，J.：ParEGO：一种具有在线横向近似的混合算法，用于昂贵的多目标优化问题。IEEE传输。进化。计算。10(1), 50-66 (2006) ·doi:10.1109/TEVC.2005.851274
[29] Knowles，J.，Corne，D.，Reynolds，A.：250个评估预算的噪音多目标优化。In:第五届进化多准则优化国际会议（2009）
[30] Knowles，J.，Nakayama，H.：多目标优化中的元模型。摘自：《多目标优化：交互式和进化方法》，第245-284页。柏林施普林格出版社（2008）
[31] Knowles，J.D.：帕累托优化的局部搜索和混合进化算法。博士论文。英国雷丁大学（2002）
[32] Rasmussen，C.E.，Williams，C.K.I.：机器学习的高斯过程。麻省理工学院出版社，马萨诸塞州剑桥（2006）·Zbl 1177.68165号
[33] Santner，T.J.，Williams，B.J.，Notz，W.I.：计算机实验的设计与分析。统计学中的斯普林格系列。施普林格，纽约（2003）·Zbl 1041.62068号 ·doi:10.1007/978-1-4757-3799-8
[34] Stein，M.L.：空间数据插值：克里金的一些理论。柏林施普林格（1999）·Zbl 0924.62100号 ·doi:10.1007/978-1-4612-1494-6
[35] Voutchkov，I.，Keane，A.J.：使用代理的多目标优化。收录：Parmee，I.C.（编辑）《设计与制造中的自适应计算》，2006年。第七届国际会议记录，第167-175页。英国布里斯托尔（2006）·Zbl 1200.90151号
[36] Wagner，T.、Emmerich，M.、Deutz，A.、Ponweiser，W.：关于基于模型的多目标优化的预期改进标准。平行问题。解决国家6238、718-727（2010）
[37] Wang，G.，Shan，S.：支持工程设计优化的元建模技术综述。J.机械。设计。129(4), 370-380 (2007) ·数字对象标识代码：10.1115/1.2429697
[38] While，L.，Bradstreet，L.：应用WFG算法计算增量超体积。In:IEEE计算智能世界大会（WCCI）（2012年）
[39] 而L.、Bradstreet、L.、Barone、L.：计算精确超体积的快速方法。IEEE传输。进化。计算。16, 86-95 (2012) ·doi:10.1109/TEVC.2010.2077298
[40] 而L.、Hingston、P.、Barone、L.、Huband、S.：计算超体积的更快算法。进化。计算。10(1), 29-38 (2006) ·doi:10.1109/TEVC.2005.851275
[41] Zhang，Q.，Liu，W.，Tsang，E.，Virginas，B.：使用高斯过程模型，通过MOEA/D进行昂贵的多目标优化。进化。计算。14(3), 456-474 (2010) ·doi:10.1109/TEVC.2009.2033671
[42] Zhou，A.，Qu，B.-Y.，Li，H.，Zhao，S.-Z.，Suganthan，P.N.，Zhang，Q.：《多目标进化算法：最新状态的调查》，《Swarm Evolution》。计算。1, 32-49 (2011) ·doi:10.1016/j.swevo.2011.03.001
[43] Zitzler，E.：超体积计量计算。技术报告。计算机工程与网络实验室（TIK）。瑞士苏黎世ETH（2001）
[44] Zitzler，E.，Laumanns，M.，Thiele，L.：Spea2：改进强度帕累托进化算法的性能。技术报告。瑞士联邦理工学院（2001）
[45] Zitzler，E.，Thiele，L.，Laumanns，M.，Fonseca，C.M.，Grunert da Fonseco，V.：多目标优化器的性能评估：分析与评述。进化。计算。7（2），117-132（2003）·doi:10.1109/TEVC.2003.810758
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。