Composite Indicator-Guided Infilling Sampling for Expensive Multi-Objective Optimization

作者: Huixiang Zhen, Xiaotong Li, Wenyin Gong, Ling Wang, Xiangyun Hu

发布时间: 2025-04-02

来源: arxiv

研究方向: 昂贵多目标优化

主要内容

提出了一种基于复合指标引导的填充采样方法，用于解决昂贵多目标优化问题。该方法通过构建一个综合指标，同时考虑收敛性、多样性和分布性，以提高候选解选择的效率。

1. 引入了一个新的复合指标，该指标综合了候选解的收敛性、多样性和分布性三个加权性能指标。

2. 将复合指标应用于昂贵多目标优化中的代理辅助进化算法。

3. 通过实验证明了所提出算法在解决昂贵多目标优化问题方面的有效性和优越性。

1. 构建高斯过程代理模型

2. 使用代理辅助NSGA-III算法生成候选解

3. 使用复合指标选择最具潜力的候选解进行昂贵评估

4. 通过实验验证算法的有效性

实验结果表明，与现有的昂贵多目标优化算法相比，CI-EMO在大多数测试问题上表现更好。在解决不同类型的多目标优化问题时，CI-EMO均展现出良好的性能，特别是在解决具有复杂帕累托前沿的问题时。

未来研究将探讨自适应权重调整策略，以解决指标权重随机设置导致的泛化能力下降问题。此外，还将扩展基于复合指标的多目标优化方法，以应用于更大规模的优化问题。