Jun, 2022

可学习演化算法在可扩展多目标优化中的调查

PDF
TL;DR本研究论文总结了最近学习型多目标进化算法在解决不同尺度多目标优化问题中的进展和挑战，并提供了四个有吸引力的方向，即用于环境选择的可学习进化鉴别器，用于繁殖的可学习进化生成器，用于函数评估的可学习进化评估器，以及用于共享或重复使用优化经验的可学习进化传输模块，作为这一领域的努力的参考。
multiobjective evolutionary algorithmslearnable problem-solving strategiesscaling-up mopsmachine learning techniquesoptimization experience
发现论文，激发创造
  • 大型语言模型用于多目标进化优化

    使用预训练的大型语言模型（LLM）设计的多目标进化算法（MOEA）运算符显示出潜在的优势，并能在不同模式和设置下具有稳健的泛化性能。

    Oct, 2023

  • 多目标进化算法中组件效应对算法行为的影响

    研究使用自动设计的算法对多目标进化算法进行了效果评估，通过比较搜索轨迹网络、种群的多样性和任意时刻的超体积值，发现算法组件对于不同问题具有不同的影响。

    Jul, 2023

  • LEA: 基于学习优化策略的进化算法之外

    设计一种可学习的进化算法（LEA）来实现从手工设计的优化策略到学习的优化策略的转变，能够高效地利用目标任务的低保真信息来形成优化策略，以更少的计算成本获得更好的解决方案。

    Apr, 2023

  • 多目标优化的多梯度学习优化

    通过引入自动学习范式，我们介绍了一种新的自动优化多目标优化问题的学习方法，并提出了一种多梯度学习优化（ML2O）方法，通过自动学习多个梯度以更新方向。通过引入新的守卫机制，我们提出了一种守卫多梯度学习优化（GML2O）方法，并证明了 GML2O 生成的迭代序列收敛到一个 Pareto 临界点。实验结果表明，我们学习的优化器在训练多任务学习神经网络方面胜过手动设计竞争对手。

    Nov, 2023

  • Evolvability ES: 可扩展且直接的进化能力优化

    本文介绍一种名为 evolvability ES 的进化算法，旨在明确且有效地优化进化能力，即进一步适应能力。实验结果显示，与梯度基础的元学习算法相比，evolvability ES 表现良好，是研究深度神经网络中可进化表示潜力的新方向。

    Jul, 2019

  • 深度强化学习辅助运算符选择的约束多目标优化

    本文提出了一个使用深度强化学习辅助的在线运算符选择框架，该框架能够提高约束多目标优化演化算法的性能。通过根据当前状态自适应选择最大化总体改善的运算符，改进了算法性能，并在 42 个基准问题上对四种常用的约束多目标优化演化算法进行了评估，实验结果显示这种方法显著提高了 CMOEA 的性能。

    Jan, 2024

  • 基于经验的高昂代价优化进化算法

    本文主要探讨了通过利用在相关问题中获得的经验，采用基于经验的代理辅助进化算法（SAEA）框架来增强昂贵优化问题的优化效率，实验结果表明从相关任务获得的经验对目标问题的评估预算的节约是有益的。

    Apr, 2023

  • 分解式进化算法分析与克服复杂多目标优化中的局部最优点

    综合几何分析，我们发现传统的参考点选择方法对于解决复杂的多目标优化问题中的局部最优问题具有基础性的作用。为了应对这一问题，我们引入了一种创新的参考点选择策略，即权重向量引导和高斯混合方法，旨在克服局部最优问题。通过对 14 种算法进行实验验证和一系列实证测试，我们的方法在人口多样性和收敛性方面取得了显着的改进。

    Apr, 2024

  • 多目标进化算法优化子模函数或单调近似子模函数

    本论文研究基于多目标进化算法 GSEMO-C 的子模最大化问题（包括有 / 无大小约束的子模函数最大化问题，以及有大小约束的单调逼近子模函数最大化问题），证明了该算法可以在多项式期望运行时间内实现很好的近似效果。

    Nov, 2017

  • 基于排名学习和本地模型的进化算法解决高维昂贵多目标问题

    提出了一种基于分类器辅助排名学习和局部模型的多目标进化算法 (CLMEA)，它用于高维昂贵的多目标优化问题，实验结果表明该算法在基准问题和地热储层热采优化实施方面显示出优秀的性能，相对于现有的基于替代模型的多目标进化算法具有更好的性能。

    Apr, 2023