Apr, 2023

基于经验的高昂代价优化进化算法

PDF
TL;DR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。
optimization algorithmsexperience-based optimizationexpensive optimizationsurrogate-assisted evolutionary algorithmmeta-learning
发现论文，激发创造
  • 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

  • 进化优化和贝叶斯优化中的模型不确定性：一项比较分析

    这篇论文介绍了黑盒优化问题以及贝叶斯优化和替代辅助进化算法两种优化技术的使用方法和差异，还介绍了一种新的基于模型辅助的策略，通过利用未评估的解产生后代，并结合进化算法的群体搜索能力来提高模型辅助优化的效果。实验结果表明，该方法在准确性和效率方面优于主流的贝叶斯优化算法。

    Mar, 2024

  • 提升带有未评估解决方案的 SAEAs 性能：昂贵优化问题中的关系模型实证分析

    使用未经评估的解决方案提高代理辅助进化算法的效率，通过引入适应于选择阶段的关系模型，证明其在高质量解决方案的选择中优于回归和分类模型，从而显著提高算法的效率。

    Sep, 2023

  • 利用广义经验的自适应操作符选择

    通过强化学习提出并评估了一种新的方法来帮助开发通用框架，用于获取、处理和利用即时和未来使用的经验，以解决优化问题和平衡探索和开发之间的挑战。

    Dec, 2023

  • 计算流体动力学问题上基于代理的进化算法的性能比较

    这篇研究论文使用两个真实的计算流体动力学问题比较了十一个最先进的单目标代理辅助进化算法的性能表现，结果发现最近发布的方法以及利用差分进化作为优化机制之一的技术明显优于其他方法。

    Feb, 2024

  • 可学习演化算法在可扩展多目标优化中的调查

    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。

    Jun, 2022

  • 将 Lipshitz 和 RBF 替代模型组合应用于高维计算密集型问题

    本文提出了基于 Lipschitz 低估的代理模型，结合标准径向基函数代理模型和局部搜索程序，开发了一种差分进化算法，名为 Lipschitz Surrogate-assisted Differential Evolution（LSADE）。实验结果表明，所提出的 LSADE 算法与高维复杂的基准函数的最先进算法相比表现出色，尤其在有限的计算预算下更加有效。

    Apr, 2022

  • 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

  • 基于代理的分布式群体优化算法在计算代价昂贵模型中的应用

    本论文旨在在并行计算结构中实现基于代理的适应度评估，在复杂的地质科学景观进化模型上实现优化解决方案时间的缩短，同时保持优化准确性。

    Jan, 2022

  • 学习困难优化问题：数据生成的视角

    本论文研究了通过机器学习解决 NP 困难问题的可行性，指出了训练数据的易变性及其对模型的影响，并提出了改进的方法来适应这个问题。该方法被应用于非线性、非凸、离散组合问题的求解，取得了有效的结果。

    Jun, 2021