Apr, 2023

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

PDF
TL;DR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。
surrogate-assisted evolutionary algorithmshigh-dimensional optimization problemsmulti-objective optimizationclassifier-assisted rank-based learninglocal model-based evolutionary algorithm
发现论文，激发创造
  • 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

  • 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

  • NeuroLGP-SM: 深度神经网络的可扩展替代辅助神经进化

    在神经进化（neuroevolution）中，我们提出了一种名为 NeuroLGP-SM 的方法，它利用表型距离向量和 Kriging Partial Least Squares（KPLS）作为代理模型，以高效准确地评估大型深度神经网络（DNNs）的适应度，并且相比其他方法具有竞争力或更好的结果和更高的能源效率。

    Apr, 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

  • 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

  • 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

  • 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

  • 移动神经架构搜索中的多目标强化进化

    本文提出了一种新的多目标导向算法 MoreMNAS（Multi-Objective Reinforced Evolution in Mobile Neural Architecture Search），通过结合 EA 和 RL 的优点，将 NSGA-II 遗传算法与自然突变过程相混合，使得神经模型搜索过程中不仅能够避免模型退化，还能更好地利用已学习的知识，并在超分辨领域 SR 中进行实验，获得比某些现有技术更少的 FLOPS 令人瞩目的模型。

    Jan, 2019

  • 多目标组合优化的高效元神经启发式算法

    我们提出了一种高效的元神经启发式方法（EMNH），通过使用基于深度强化学习的神经启发式方法来解决多目标组合优化问题，以提高学习效率和解决质量。

    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