基于自适应分解的多任务协作型昂贵多目标优化算法

• 作者: 蔡昕烨 马中雨 张峰 李楠 程会林 孙祺 肖禹舜 李小平
• 来源期刊: 计算机学报
• 关键词: 代理辅助进化算法 昂贵优化 多目标优化 多任务高斯过程模型 多种群协作搜索
• 年，卷（期）: 2021,（9）
• 所属期刊栏目: 人工智能
• 页码范围: 1934-1948
• 页数: 15页
• 分类号: TP18
• 语种: 中文
• DOI: 10.11897/SP.J.1016.2021.01934

摘要

现实世界的工程优化问题通常需要同时优化多个冲突的目标,且这些目标函数的评估由于依赖仿真、物理实验而十分昂贵,这类问题被称为昂贵多目标优化问题.使用机器学习方法建立代理模型用于估计候选解的目标函数值是求解此类问题的一种有效手段.高斯代理模型适用于训练样本数较少的中小规模问题,且能提供评估的不确定性,因此常作为代理模型被应用于昂贵优化.分解是处理多目标优化问题的一种有效手段.一个多目标优化问题可被分解为多个单目标优化子问题,且多个子问题可被进一步划分为代理模型学习的一个目标任务.现有基于分解的昂贵多目标优化算法大多将固定数量的子问题静态地划分到同一任务,从而构造多个固定任务并对其建立多任务高斯代理模型进行求解.这未能充分利用数据的相关信息动态反映出任务间的相关性,限制了多任务高斯过程模型的预测精度以及优化算法的最终性能.为此,本文提出了一种自适应多任务多种群协作搜索算法(AMMCS).AMMCS使用相似性指标实时度量已评估的解集,获得子问题间的相关性,从而自适应地划分任务,提升多任务模型的预测质量.此外,AMMCS使用一个解集(种群)优化一个任务,并通过多种群的协作搜索实现多任务高斯模型的批量优化,提高了采样效率,提升了算法的收敛效率.通过AMMCS与六个代理辅助进化算法进行多组实验对比和分析,显示了AMMCS具有良好的性能.我们同时也设计实验验证了算法中自适应分解以及多种群协作搜索的有效性.