求解高维昂贵多目标问题的约束型Dropout代理辅助进化算法

作     者：张睿 白晓露 潘理虎 ZHANG Rui;BAI Xiao-lu;PAN Li-hu

作者机构：太原科技大学计算机科学与技术学院山西太原030024 

出 版 物：《电子学报》 (Acta Electronica Sinica)

年 卷 期：2023年第51卷第7期

页      面：1859-1867页

核心收录：

学科分类：08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：山西省基础研究计划(自由探索类)项目(No.20210302123216) 山西省装备数字化与故障预测工程研究中心开放课题(No.ZBPHM20201104) 山西省研究生教育改革研究课题项目(No.2021YJJG244) 山西省研究生教育创新项目(No.2021Y699)。 

主　　题：代理模型 昂贵问题 高维多目标优化 模型管理 进化算法 

摘      要：现实优化问题常需同时对多个冲突目标进行评估优化,由于评估过程多依赖大量复杂的仿真实验,从而产生计算代价昂贵的问题.代理模型辅助下的进化算法可在计算资源有限的情况下为此类问题提供有效的最优解集.但随着问题决策以及目标空间维度变高,则会衍生出诸多负面因素限制代理模型的预测精度.对此,提出一种基于约束型Dropout神经网络的代理辅助进化算法(Constrained Dropout Neural Network based surrogate-assisted Evolution Algorithm,CDNNEA),以约束型Dropout神经网络作为一种可扩展方案来增强代理模型在高维空间中的适用性,在模型管理部分中,构建种群个体收敛性以及多样性评判指标,自适应地选取引导代理模型更新的代表性个体.通过在DTLZ基准测试问题上进行实验,CDNNEA显示出相较其它先进算法性能表现最优或近似最优,同时将其应用于高维参数自适应优化的现实问题中.实验表明:提供的代表性解决方案投入实际应用时识别准确率均较优且模型计算量可控,验证出CDNNEA在高维昂贵类优化问题上的有效性.