为了提高用于更新代理模型的解集的多样性和收敛性以提高代理模型准确度,提出一种基于行列式点过程(determinantal point process,DPP)的代理模型辅助多目标进化算法(surrogate-assisted evolutionary algorithm,SAEA)。首先,提出一种...为了提高用于更新代理模型的解集的多样性和收敛性以提高代理模型准确度,提出一种基于行列式点过程(determinantal point process,DPP)的代理模型辅助多目标进化算法(surrogate-assisted evolutionary algorithm,SAEA)。首先,提出一种基于行列式点过程的模型管理方法,从非支配解集基于行列式点过程选取子集并用真实目标函数评估,再从所有经真实目标函数评估的解中选取子集用于更新代理模型。另一方面,提出一种基于自适应行列式点过程的环境选择方法,在进化过程的早期侧重于提高种群的收敛性,在进化过程的后期侧重于提高种群的多样性。最后,基于DTLZ、WFG、MAF测试问题验证算法的有效性。将所提算法与K-RVEA、KTA2、CSEA等常用算法进行比较,使用IGD+指标进行评估。实验结果显示所提出的算法能得到更优的解集,从而证明了其高计算代价多目标优化问题上的有效性。展开更多
文摘为了提高用于更新代理模型的解集的多样性和收敛性以提高代理模型准确度,提出一种基于行列式点过程(determinantal point process,DPP)的代理模型辅助多目标进化算法(surrogate-assisted evolutionary algorithm,SAEA)。首先,提出一种基于行列式点过程的模型管理方法,从非支配解集基于行列式点过程选取子集并用真实目标函数评估,再从所有经真实目标函数评估的解中选取子集用于更新代理模型。另一方面,提出一种基于自适应行列式点过程的环境选择方法,在进化过程的早期侧重于提高种群的收敛性,在进化过程的后期侧重于提高种群的多样性。最后,基于DTLZ、WFG、MAF测试问题验证算法的有效性。将所提算法与K-RVEA、KTA2、CSEA等常用算法进行比较,使用IGD+指标进行评估。实验结果显示所提出的算法能得到更优的解集,从而证明了其高计算代价多目标优化问题上的有效性。
