-
题名两阶段填充采样的半监督昂贵多目标优化算法
- 1
-
-
作者
谭瑛
任新宇
孙超利
王思思
-
机构
太原科技大学计算机科学与技术学院
山西钢科碳材料有限公司
-
出处
《计算机应用》
北大核心
2025年第5期1605-1612,共8页
-
基金
国家自然科学基金资助项目(62372319)。
-
文摘
利用计算成本低廉的代理模型替换昂贵目标函数评价,以辅助进化算法对昂贵黑盒多目标优化问题的求解,近年来受到广泛关注。模型的准确度在代理模型辅助的多目标进化算法(MOEA)中发挥着重要作用,特别是当目标函数数量较多时,不准确的模型很容易引导算法朝错误的方向搜索;但目标函数评价昂贵,很难获得充裕的样本训练高质量的代理模型。因此,提出一种两阶段填充采样的半监督昂贵多目标优化算法(TISS-EMOA)。该算法引入半监督技术,选择部分无标签数据扩充训练数据集,从而提升模型的准确性;同时,提出两阶段选点的填充采样准则,以期在评价次数有限的情况下获得昂贵多目标优化问题的较优解集。为验证TISS-EMOA的有效性,在DTLZ1~DTLZ7基准测试问题以及车辆正面结构优化设计上进行了实验。与当前具有代表性的5种代理模型辅助进化多目标算法的对比结果显示,TISS-EMOA在28个基准测试问题中获得了25、28、28、24、23个更好或相当的改进的反转世代近距离(IGD+)。
-
关键词
半监督学习
多目标优化
填充采样准则
代理模型
车辆正面结构
-
Keywords
semi-supervised learning
multi-objective optimization
infill sampling criterion
surrogate model
vehicle frontal structure
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
