检索结果-南通市图书馆

基于自适应分解的多任务协作型昂贵多目标优化算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机学报 2021年第9期44卷 1934-1948页

作者：蔡昕烨马中雨张峰李楠程会林孙祺肖禹舜李小平南京航空航天大学计算机科学与技术学院南京211106 东南大学计算机科学与工程学院南京211189

现实世界的工程优化问题通常需要同时优化多个冲突的目标,且这些目标函数的评估由于依赖仿真、物理实验而十分昂贵,这类问题被称为昂贵多目标优化问题.使用机器学习方法建立代理模型用于估计候选解的目标函数值是求解此类问题的一种有... 详细信息

现实世界的工程优化问题通常需要同时优化多个冲突的目标,且这些目标函数的评估由于依赖仿真、物理实验而十分昂贵,这类问题被称为昂贵多目标优化问题.使用机器学习方法建立代理模型用于估计候选解的目标函数值是求解此类问题的一种有效手段.高斯代理模型适用于训练样本数较少的中小规模问题,且能提供评估的不确定性,因此常作为代理模型被应用于昂贵优化.分解是处理多目标优化问题的一种有效手段.一个多目标优化问题可被分解为多个单目标优化子问题,且多个子问题可被进一步划分为代理模型学习的一个目标任务.现有基于分解的昂贵多目标优化算法大多将固定数量的子问题静态地划分到同一任务,从而构造多个固定任务并对其建立多任务高斯代理模型进行求解.这未能充分利用数据的相关信息动态反映出任务间的相关性,限制了多任务高斯过程模型的预测精度以及优化算法的最终性能.为此,本文提出了一种自适应多任务多种群协作搜索算法(AMMCS).AMMCS使用相似性指标实时度量已评估的解集,获得子问题间的相关性,从而自适应地划分任务,提升多任务模型的预测质量.此外,AMMCS使用一个解集(种群)优化一个任务,并通过多种群的协作搜索实现多任务高斯模型的批量优化,提高了采样效率,提升了算法的收敛效率.通过AMMCS与六个代理辅助进化算法进行多组实验对比和分析,显示了AMMCS具有良好的性能.我们同时也设计实验验证了算法中自适应分解以及多种群协作搜索的有效性.

关键词：代理辅助进化算法昂贵优化多目标优化多任务高斯过程模型多种群协作搜索

三阶段自适应采样和增量克里金辅助的昂贵高维优化算法

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2024年第5期60卷 76-87页

作者：顾清华刘思含王倩骆家乐刘迪西安建筑科技大学管理学院西安710000 西安建筑科技大学西安市智慧工业感知计算与决策重点实验室西安710000 西安建筑科技大学资源工程学院西安710000

代理辅助进化算法已广泛应用于求解代价高昂的多目标优化问题,但大多数由于代理模型的局限性而仅限于解决决策变量低维的问题。为了解决高维的昂贵多目标优化问题,提出了一种基于三阶段自适应采样策略的改进增量克里金辅助的进化算法。... 详细信息

代理辅助进化算法已广泛应用于求解代价高昂的多目标优化问题,但大多数由于代理模型的局限性而仅限于解决决策变量低维的问题。为了解决高维的昂贵多目标优化问题,提出了一种基于三阶段自适应采样策略的改进增量克里金辅助的进化算法。该算法使用改进的增量克里金模型来近似每个目标函数,此模型的超参数根据预测的不确定性进行自适应更新,降低计算复杂度的同时保证模型在高维上的准确性;此外,在模型管理方面提出一种三阶段自适应采样的策略,将采样过程分为不同的优化阶段以更有针对性的选择个体,能够首先保证收敛性,提高算法的收敛速度。为了验证算法的有效性,在包含各种特征的两组测试问题DTLZ(deb-thiele-laumanns-zitzler)、MaF(many-objective function)和路径规划实际工程问题上与最新的同类型算法进行实验对比,结果表明该算法在解决决策变量高维的昂贵多目标优化问题上具有较强的竞争力。

关键词：昂贵优化多目标优化决策变量高维代理辅助进化算法增量克里金模型三阶段自适应采样策略

高斯过程及动态混合框架算法求解昂贵约束优化问题

在线全文

学校读者我要写书评

暂无评论

高斯过程及动态混合框架算法求解昂贵约束优化问题

作者：张海湘潭大学

学位级别：硕士

进化算法(EAs，EvolutionaryAlgorithms)由于其具有隐并行性及强鲁棒性等特性，被广泛应用于解决单/多目标优化问题。但在进化过程中，进化算法需要对候选解进行大量的目标函数值评价和比较才能获得可接受的最优解。然对复杂优化设计问... 详细信息

进化算法(EAs，EvolutionaryAlgorithms)由于其具有隐并行性及强鲁棒性等特性，被广泛应用于解决单/多目标优化问题。但在进化过程中，进化算法需要对候选解进行大量的目标函数值评价和比较才能获得可接受的最优解。然对复杂优化设计问题，仅一次目标函数评价就需消耗大量时间或计算成本(简称为昂贵问题)，因此采用基于原始目标函数值评价的EAs去搜索最优解，代价高昂。同时，现实生活中很多优化问题带有一定的约束条件(称为约束优化问题)，虽然已有的约束优化进化算法对一般的约束优化问题有一定的效果，但这些方法并未涉及带有昂贵属性的约束优化问题(称为昂贵约束优化问题)。高斯随机过程(GP，Gaussian stochastic Process)模型(简称高斯过程)是一种代理模型方法，它具有模型参数少且易于求解、克服过度拟合能力强等特点。通过不断添加样本点，可提高高斯过程代理模型的预测精度。约束优化进化算法由进化算法和约束处理技术构成。动态混合框架算法是使用基于多目标的约束处理技术，利用差分进化算法作为搜索策略，在求解约束优化问题上表现出了优良的性能。本文使用高斯过程作为昂贵函数的代理模型，利用增强的动态混合框架算法在求解约束优化问题上优秀的寻优能力，联合求解昂贵约束问题，提出高斯过程—动态混合框架集成算法(GPyHF)。本文的研究内容如下： (1)样本集处理：算法使用拉丁超立方体采样方法得到初始样本集，采用模糊聚类方法处理大样本集，减少建立代理模型的计算代价;提出样本集的内部更新模式和外部更新模式，通过这两种方式添加和替换样本点，提高代理模型的预测精度;(2)算法改进：对动态混合框架算法的全局搜索模型和局部搜索模型予以改进，增强了动态混合框架算法的寻优能力;(3)算法集成：集成高斯过程与动态混合框架算法(GPyHF算法)，在进化过程中使样本集和种群独立更新和进化，但在样本更新时会进行信息交互;为合理使用代理模型和真实函数，根据进化过程中的可行解比例，提出一种动态控制方法，加快算法收敛的同时减少真实目标函数的评价次数。将CEC2006提出的22个benchmark函数作为昂贵约束优化函数，实验分析表明GPyHF算法能在确保得到一定的最优解精确度的同时较明显地减少了对昂贵约束函数的评价次数，减少计算代价。

关键词：昂贵优化约束优化适应值近似高斯随机过程动态混合框架算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多目标数据生成的昂贵多目标进化算法

计算机学报 2023年第5期46卷 896-908页

作者：黎建宇詹志辉华南理工大学计算机科学与工程学院广州510006

昂贵多目标优化问题是一类需要同时优化多个相互冲突且评估计算成本十分昂贵的目标的复杂优化问题,需要算法在计算资源受限的情况下尽可能找到目标值好且多样性好的一系列非支配解.进化计算方法是求解多目标优化问题的有效手段,但在求... 详细信息

昂贵多目标优化问题是一类需要同时优化多个相互冲突且评估计算成本十分昂贵的目标的复杂优化问题,需要算法在计算资源受限的情况下尽可能找到目标值好且多样性好的一系列非支配解.进化计算方法是求解多目标优化问题的有效手段,但在求解昂贵多目标优化问题时仍面临多样性和收敛性这两个方面的挑战,即难以找到多样性好且收敛到全局最优的一系列解.针对上述挑战,本文提出了新型的基于多目标数据生成的昂贵多目标进化算法.本文的贡献点和创新点主要有以下三个方面.首先,本文提出并证明了非支配解生成定理,并基于此提出了多目标数据生成方法,以更有效地搜索到更多非支配解,提高算法的多样性.其次,本文提出了多种群多代理框架,使用多个代理模型替代评估成本昂贵的真实目标函数,并协同演化多个种群对多个代理模型进行协同求解,从而提高算法的收敛性.再次,基于上述提出的方法和框架,本文提出了基于多目标数据生成的昂贵多目标进化算法,以对昂贵多目标优化问题进行求解.为了验证算法性能,本文在两个著名测试集的共16个问题上进行了丰富的大量测试实验,并与现有的五个前沿算法进行对比.实验结果表明,本文提出的算法能在大部分问题上取得比所有对比算法都更好的性能,具有很好的有效性和高效性.

关键词：昂贵优化多目标优化进化计算数据生成协同演化

基于改进状态转移算法的串级平推流反应器动力学参数估计

在线全文

学校读者我要写书评

暂无评论

化工学报 2019年第2期70卷 607-616页

作者：薛永飞王雅琳孙备李钱钟孙家舟中南大学信息科学与工程学院湖南长沙410083 中国科学院自动化研究所北京100190

实际化工过程反应系统通常由若干个相互关联的平推流反应器串级构成,要建立其机理模型,并估计其动力学参数,就必须反复求解大规模非线性微分方程组,计算代价较高。针对智能优化算法在求解昂贵优化问题时计算成本过高,而工业过程模型往... 详细信息

实际化工过程反应系统通常由若干个相互关联的平推流反应器串级构成,要建立其机理模型,并估计其动力学参数,就必须反复求解大规模非线性微分方程组,计算代价较高。针对智能优化算法在求解昂贵优化问题时计算成本过高,而工业过程模型往往只需要找到一组满意解即可的特点,提出了一种基于改进状态转移算法的串级平推流反应器动力学参数估计方法。该算法在保留标准状态转移算法全局寻优能力和快速收敛能力的同时,利用对立算子优化初始种群,并根据误差阈值判定满意解中止条件,可有效节约计算时间。以实际炼油企业的加氢裂化装置为研究对象,采用所提方法对其反应系统的动力学参数进行估计,仿真结果表明了所提方法的有效性。

关键词：串级平推流反应器反应动力学动力学模型参数估值状态转移算法昂贵优化满意解

面向分馏塔操作参数优化的带禁忌表并行粒子群优化算法

在线全文

学校读者我要写书评

暂无评论

大连理工大学学报 2019年第2期59卷 194-200页

作者：王雅琳孙家舟薛永飞尚丹丹袁小锋中南大学信息科学与工程学院湖南长沙410083

多元分馏塔操作优化需要反复求解其机理模型中的高维耦合非线性方程组,计算十分耗时.针对此昂贵优化问题,提出了一种带禁忌表的并行粒子群优化(parallel particle swarm optimization,PPSO)算法.以分馏过程机理知识初始化操作参数的禁忌... 详细信息

多元分馏塔操作优化需要反复求解其机理模型中的高维耦合非线性方程组,计算十分耗时.针对此昂贵优化问题,提出了一种带禁忌表的并行粒子群优化(parallel particle swarm optimization,PPSO)算法.以分馏过程机理知识初始化操作参数的禁忌表,再根据已测试候选参数的优化性能动态更新该禁忌表,实现对每次迭代产生的候选解初选,减少禁忌解的计算;接着,以MapReduce的任务分发思想构建算法的并行处理框架,设计任务预分配策略减少通信成本,提高计算效率;最后在子系统中通过对无法求解粒子与不合格粒子的剔除,筛选出原约束优化问题的等价解,进一步减小计算开销.以实际操作优化问题验证了所提算法的有效性,结果表明该算法能够更快地找到分馏系统操作参数的最优设定值.

关键词：禁忌表昂贵优化并行PSO 分馏塔操作优化

在线全文

学校读者我要写书评

暂无评论

双模型驱动的多偏好策略自适应差分演化算法

中北大学学报（自然科学版） 2024年第5期45卷 638-646页

作者：龚懿昀于海波王韵康丽曾建潮中北大学电气与控制工程学院山西太原030051 中北大学计算机科学与技术学院山西太原030051 中北大学环境与安全工程学院山西太原030051

为增强代理模型辅助进化算法对高维昂贵优化问题的求解性能,提出了一种双模型驱动的多偏好策略自适应差分演化算法。该算法基于全局和局部两种代理建模方法,有机融合了3种具有不同寻优偏好的进化策略。每次迭代,通过利用优化过程中最优... 详细信息

为增强代理模型辅助进化算法对高维昂贵优化问题的求解性能,提出了一种双模型驱动的多偏好策略自适应差分演化算法。该算法基于全局和局部两种代理建模方法,有机融合了3种具有不同寻优偏好的进化策略。每次迭代,通过利用优化过程中最优解在线更迭反馈信息,以序贯方式自适应调整不同进化策略调用频次,以高效平衡算法的全局勘探和局部开采。为促进种群内个体间优秀信息共享,设计了一种精英个体驱动的差分扰动策略,以增量潜在优解区域的最优样本先验。通过处理26个不同规模的高维基准测试问题,结果表明,所提算法的收敛性能和优化效率较4种先进的同类型算法在至少17个测试问题上绝对占优。

关键词：代理模型昂贵优化差分演化策略自适应精英扰动

在线全文

学校读者我要写书评

暂无评论

进化算法中候选解的序回归预测方法研究

进化算法中候选解的序回归预测方法研究

作者：贺慧芳湖南理工学院

学位级别：硕士

在求解昂贵优化问题时,最常用的方法为代理辅助进化算法。大多数代理辅助进化算法通过建立代理模型逼近适应度函数,利用代理模型的预测结果代替真实评价来减少真实评价次数,以克服计算成本灾难问题。但是建立目标函数的高精度代理模型... 详细信息

在求解昂贵优化问题时,最常用的方法为代理辅助进化算法。大多数代理辅助进化算法通过建立代理模型逼近适应度函数,利用代理模型的预测结果代替真实评价来减少真实评价次数,以克服计算成本灾难问题。但是建立目标函数的高精度代理模型往往依赖于原黑箱问题和模型类型的先验知识,这些知识的缺乏会导致模型的预测性能显著降低。为获得泛化性能较好的代理模型,并降低算法对代理模型的精度要求,本文研究评价候选解优劣关系的序回归预测方法及其在进化算法中的应用。提出了一种候选解优劣性的序评价方法,研究了序回归预测的实现方法。与常规回归（函数逼近代理模型）预测方法在单目标和多目标优化问题上的对比实验表明,序回归预测方法具有较强的鲁棒性。利用Pareto优劣性分层结果为模型提供的训练数据不足以完全体现出数据本身所包含的有用信息,并且难以实现对未知候选解的有效预测。通过挖掘候选解集在目标空间中的相对位置信息,提出样本候选解的序计算方法（Pareto序）评价候选解性能,增加了分层的多样性。与非支配等级（Pareto优劣性分层结果）的对比实验表明,Pareto序回归预测方法提升了模型预测的精度。鉴于预测结果存在不确定性,为了更可靠地利用预测结果辅助进化算法,通过代理模型的折损累计增益法（DCGS）得到了一种分析模型预测不确定性的方法,仿真实验数据验证了该方法的合理性及有效性。针对单目标优化问题,实现了标量序回归预测与进化策略集成的序回归进化策略（ORES）。在经典单目标测试函数上的对比实验结果表明,在收敛性能上,ORES算法比函数逼近代理辅助进化策略具有明显的优势。针对多目标优化问题,实现了Pareto序回归预测方法与NSGA-II集成的序回归遗传算法（ORGA）。对ZDT、UF系列测试函数的仿真实验表明,与主流代理辅助进化算法相比,ORGA在有限资源下获得的非支配解集有更好的收敛性和多样性。

关键词：昂贵优化进化算法代理辅助优化序回归

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于进化迁移优化的动态多目标优化算法

基于进化迁移优化的动态多目标优化算法

作者：王贞众厦门大学

学位级别：硕士

动态多目标优化问题是指多个优化目标互相冲突的优化问题,这些目标随着时间的推移而变化。因其需要在优化过程中快速准确地跟踪变化的帕累托最优集,所以这一类问题非常具有挑战性。进化迁移优化被证明是解决动态多目标优化问题的有效手... 详细信息

动态多目标优化问题是指多个优化目标互相冲突的优化问题,这些目标随着时间的推移而变化。因其需要在优化过程中快速准确地跟踪变化的帕累托最优集,所以这一类问题非常具有挑战性。进化迁移优化被证明是解决动态多目标优化问题的有效手段之一。然而,迁移优化技术存在着消耗计算资源大、负迁移等问题。为了解决以上问题,本文提出一系列基于知识迁移的动态优化算法。首先,为了提升迁移速度,减少种群多样性低引起的负迁移,本论文设计了一种基于个体迁移的算法,该方法利用了显式的多样性维持策略保持了种群的多样性,并利用个体迁移策略提升迁移速度。进一步地,一种基于拐点的非平衡迁移算法被提出,该方法仅迁移种群中的高质量个体来进一步节省计算资源,提高优化效率。最后,本论文考虑昂贵优化场景下的动态优化问题,该算法缓解了动态昂贵问题下样本的非平衡性和缺乏性,并从辅助任务中迁移优化经验,加速算法的收敛。这些算法将迁移学习与进化算法有机结合,大大提高了进化算法在求解动态问题时的性能。大量的实验和分析验证了所提出三种算法的有效性。

关键词：动态多目标优化迁移学习知识迁移昂贵优化代理模型