异构集成代理辅助多目标粒子群优化算法

针对代理辅助进化算法在减少昂贵适应度评估时难以通过少量样本点构造高质量代理模型的问题,提出异构集成代理辅助多目标粒子群优化算法。该方法通过使用加权平均法将Kriging模型和径向基函数网络模型组合成高精度的异构集成模型,达到增强算法处理不确定性信息能力的目的。基于集成学习的两种代理模型分别应用于全局搜索和局部搜索,在多目标粒子群优化算法框架基础上,新提出的方法为每个目标函数自适应地构造了异构集成模型,利用其模型的非支配解来指导粒子群的更新,得出目标函数的最优解集。实验结果表明,所提方法提高了代理模型的搜索能力,减少了评估次数,并且随着搜索维度的增加,其计算复杂性也具有更好的可扩展性。     

基于改进集成学习分类的代理辅助进化算法

当使用代理辅助进化算法求解昂贵高维多目标优化问题时,代理模型通常用于近似昂贵的适应度函数.然而,随着目标数的增加,近似误差将逐渐累积,计算量也会急剧增加.对此,提出一种基于改进集成学习分类的代理辅助进化算法,使用一种改进的装袋集成学习分类器作为代理模型.首先,从被昂贵的适应度评价的个体中选择一组分类边界,将所有个体分成两类;其次,利用这些带有分类标签的个体训练分类器,以对候选个体的类别进行预测;最后,选择有前途的个体进行昂贵适应度评价.实验结果表明,算法中所提出的代理模型可有效提高基于分类的代理辅助进化算法求解昂贵高维多目标优化问题的能力,且与目前流行的代理辅助进化算法相比,基于改进集成学习分类的代理辅助进化算法更具竞争力.     

全局与局部模型交替辅助的差分进化算法

为求解实际复杂工程应用中的高维计算费时优化问题,提出一种全局与局部代理模型交替辅助的差分进化算法。利用历史样本训练全局和局部代理模型,通过交替搜索全局和局部代理模型得到模型最优解并对其进行真实目标函数评价,实现探索和开采的平衡以减少真实目标函数的计算次数,同时通过针对性地选择个体进行真实目标函数计算,辅助算法快速找到目标函数的较优解。在15个低维测试问题和14个高维测试问题上的实验结果表明,在有限的计算资源情况下,该算法在12个低维测试问题上相较于最优重启策略代理辅助的社会学习粒子群优化算法、基于主动学习的代理模型辅助的粒子群优化算法等表现更好,在7个高维测试问题上相较于高斯过程辅助的进化算法、代理模型辅助的分层粒子群优化算法、求解高维费时问题的代理辅助的多种群优化算法等能找到目标函数的更优解。     

基于不确定度采样准则的费时问题优化算法

在实际工程和控制领域中,许多优化问题的性能评价是费时的,由于进化算法在获得最优解之前需要大量的目标函数评价,无法直接应用其求解这类费时问题.引入代理模型以辅助进化算法是求解计算费时优化问题的有效方法,如何采样新个体对其进行真实的目标函数评价是影响代理模型辅助的进化算法寻优性能的重要因素.鉴于此,利用径向基函数神经网络作...     

基于多点加点准则的代理模型辅助社会学习微粒群算法

代理模型辅助的进化算法目前已广泛用于解决计算代价高的复杂优化问题.然而,大多数现有的代理辅助进化算法只适用于低维问题且仍然需要数千次昂贵的真实适应值评价来获得较优解.为此,提出一种基于多点加点准则的代理模型辅助的社会学习微粒群算法,用于解决高维问题并使用更少的评价次数.该算法选用高斯过程构造代理模型,以社会学习微粒群算法(SLPSO)作为优化器,提出一种基于相似度的多点加点规则(SMIC),用于选取需要使用原函数进行实际计算的候选解.在仿真实验中将该方法与现有研究成果进行比较,通过对50维sim100维的基准函数的测试,验证了所提出算法在有限的适应值计算次数下拥有更好的寻优性能,尤其是在高维优化问题上拥有更显著的优势.     

基于代理模型的差分进化约束优化

针对耗时计算目标函数的约束优化问题,提出用代理模型来代替耗时计算目标函数的方法,并结合目标函数的信息对约束个体进行选择,从而提出基于代理模型的差分进化约束优化算法。首先,采用拉丁超立方采样方法建立初始种群,用耗时计算目标函数对初始种群进行评估,并以此为样本数据建立目标函数的神经网络代理模型。然后,用差分进化方法为种群中的每一个亲本产生后代,并对后代使用代理模型进行评估,采用可行性规则来比较后代与其亲本并更新种群,根据替换机制将种群中较劣的个体替换为备用存档中较优的个体。最后,当达到最大适应度评估次数时算法停止,给出最优解。该算法与对比算法在10个测试函数上运行的结果表明,该算法得出的结果更精确。将该算法应用于工字梁优化问题的结果表明,相较于优化前的算法,该算法的适应度评估次数减少了80%;相对于FROFI（Feasibility Rule with the incorporation of Objective Function Information）算法,该算法的适应度评估次数减少了36%。运用所提算法进行优化可以有效减少调用耗时计算目标函数的次数,提升优化效率,节约计算成本。     

一种深度自监督聚类集成算法

针对聚类集成中一致性函数设计问题,本文提出一种深度自监督聚类集成算法。该算法首先根据基聚类划分结果采用加权连通三元组算法计算样本之间的相似度矩阵,基于相似度矩阵表达邻接关系,将基聚类由特征空间中的数据表示变换至图数据表示;在此基础上,基聚类的一致性集成问题被转化为对基聚类图数据表示的图聚类问题。为此,本文利用图神经网络构造自监督聚类集成模型,一方面采用图自动编码器学习图的低维嵌入,依据低维嵌入似然分布估计聚类集成的目标分布;另一方面利用聚类集成目标对低维嵌入过程进行指导,确保模型获得的图低维嵌入与聚类集成结果是一致最优的。在大量数据集上进行了仿真实验,结果表明本文算法相比HGPA、CSPA和MCLA等算法可以进一步提高聚类集成结果的准确性。     

基于ADQPSO-SVR的锅炉飞灰含碳量预测研究

针对锅炉飞灰含碳量的预测问题,提出了自适应扰动量子粒子群优化的支持向量回归机方法(ADQPSO-SVR),即在量子粒子群优化算法(QPSO)的基础上加入自适应扰动,克服了支持向量回归机(SVR)经验选择学习参数的弊端。用此改进算法对SVR的学习参数进行寻优,经过实例研究表明,ADQPSO算法的寻优能力较强,利用ADQPSO算法得到的SVR模型有较高的预测精度,同时与GA-BP算法和GA-RBF算法相比,ADQPSO-SVR能够提高锅炉飞灰含碳量预测的准确性及稳定性。     

一种基于历史模型集成辅助的差分进化算法

当前,基于代理模型辅助的进化算法广泛用于解决昂贵优化问题.其中,由于集成模型策略可以有效的集合多种模型的特点从而提高模型预测的准确度,所以被广泛应用.但是建立多个模型会增加优化过程的计算成本,因此本文提出一种基于历史模型集成辅助的差分进化算法.本文工作分为两部分：首先,提出由一部分历史模型和当前模型构成集成模型,该策略可以有效的降低计算成本.其次,提出一种新的基于决策空间欧式距离的不确定度评价标准,用于选择个体进行真实计算.为了验证本文提出算法的有效性,将本文方法与相关算法在CEC2005测试函数上测试,并且进行比较.实验结果证明本文提出的算法可以更有效的解决昂贵优化问题.     

基于径向空间划分的昂贵多目标进化算法

为了解决难以建立精确数学模型或者真实评估实验成本高昂的多目标优化问题, 提出了一种基于径向空间划分的昂贵多目标进化算法. 首先算法使用高斯回归作为代理模型逼近目标函数; 然后将目标空间的个体投影到径向空间, 结合目标空间和径向空间信息保留对种群贡献更高的个体; 之后由径向空间中个体的位置分布决定下一步应该选择哪些个体进行真实评估; 最后, 采用一种双档案管理策略维护代理模型的质量. 数值实验和现实问题上的结果表明, 与5种先进算法相比, 该算法在解决昂贵多目标优化问题时能够提供更高质量的解.     

Stochastic sampling design using a multi-objective genetic algorithm and adaptive neural networks

This paper presents a novel multi-objective genetic algorithm (MOGA) based on the NSGA-II algorithm, which uses metamodels to determine optimal sampling locations for installing pressure loggers in a water distribution system (WDS) when parameter uncertainty is considered. The new algorithm combines the multi-objective genetic algorithm with adaptive neural networks (MOGA–ANN) to locate pressure loggers. The purpose of pressure logger installation is to collect data for hydraulic model calibration. Sampling design is formulated as a two-objective optimization problem in this study. The objectives are to maximize the calibrated model accuracy and to minimize the number of sampling devices as a surrogate of sampling design cost. Calibrated model accuracy is defined as the average of normalized traces of model prediction covariance matrices, each of which is constructed from a randomly generated sampling set of calibration parameter values. This method of calculating model accuracy is called the ‘full’ fitness model. Within the genetic algorithm search process, the full fitness model is progressively replaced with the periodically (re)trained adaptive neural network metamodel where (re)training is done using the data collected by calling the full model. The methodology was first tested on a hypothetical (benchmark) problem to configure the setting requirement. Then the model was applied to a real case study. The results show that significant computational savings can be achieved by using the MOGA–ANN when compared to the approach where MOGA is linked to the full fitness model. When applied to the real case study, optimal solutions identified by MOGA–ANN are obtained 25 times faster than those identified by the full model without significant decrease in the accuracy of the final solution.     

序的分类预测在进化算法中的应用

昂贵优化问题的求解往往伴随着计算成本灾难, 为了减少目标函数的真实评估次数, 将序预测方法用于进化算法中候选解的选取. 通过分类预测直接得到候选解的相对优劣关系, 避免了对目标函数建立精确代理模型的需求, 并且设计了序样本集约简方法, 以降低序样本集的冗余性, 提高序预测模型的训练效率. 接下来, 将序预测与遗传算法相结合. 序预测辅助遗传算法在昂贵优化测试函数上的仿真实验表明, 序预测方法可有效降低求解昂贵优化问题时的计算成本.     

基于Kriging模型和NSGA-Ⅱ的航空发动机管路卡箍布局优化

针对传统卡箍布局规划存在效率低且难以解决多目标优化问题等难点，提出一种基于Kriging模型和NSGA-Ⅱ算法的航空发动机管路卡箍多目标布局优化方法。提出并建立反映卡箍位置与管路振动性能关系的Kriging代理模型，同时结合拉丁超立方实验设计方法以及粒子群优化技术提高建模精度。以管路一阶固有频率和二阶固有频率为优化目标，应用NSGA-Ⅱ对管路卡箍位置进行布局规划以避免共振。在优化计算过程中，应用所建近似模型代替CAE分析程序对适应值函数进行评价，大大减小了计算量。发动机管路卡箍布局算例表明:所提方法可一次性获得多个满足要求的非支配解方案，不仅提升了管路系统的可靠性，而且计算效率亦得到了很大提高。最后仿真结果证明了所提方法的有效性。     

基于多代理辅助多目标进化优化的建筑节能智能设计方法

进化优化具有优异的全局搜索能力,已成功应用于建筑节能设计问题.然而,由于需要借助代价高昂的建筑能耗软件不断评价个体,现有建筑节能设计进化算法普遍存在运行代价高的问题.鉴于此,提出一种面向建筑节能设计的多代理辅助多目标进化优化算法,简称MS-MOEA/D.首先,依据MOEA/D的目标分解特征同时构建多个基础代理模型;然后,针对每个待评估个体,自动选择合适的基础代理模型,并使用它们的集成结果预测该个体的目标值,达到提高其预测精度的目的.同时,在进化过程中自主确定基础代理模型的更新时机和规模,以降低代理模型的管理成本;最后,将所提出MS-MOEA/D与建筑能耗模拟软件EnergyPlus相融合,建立面向建筑节能设计的多目标进化优化仿真平台,并将该平台应用于中国北京地区常见居民和办公建筑节能设计实例中.通过与7种典型多目标进化算法进行对比,结果表明, MS-MOEA/D在显著降低计算代价的基础上能够得到高竞争力的Pareto最优解集.     

Handling expensive multi-objective optimization problems with a cluster-based neighborhood regression model

This paper gives attention to multi-objective optimization in scenarios where objective function evaluation is expensive, that is, expensive multi-objective optimization. We firstly propose a cluster-based neighborhood regression model, which incorporates the linear regression technique to predict the descent direction and generate new potential offspring. Combining this model with the classical decomposition-based multi-objective optimization framework, we propose an efficient and effective algorithm for tackling computationally expensive multi-objective optimization problems. As opposed to the conventional approach of replacing the original time-consuming objective functions with the approximated ones obtained by surrogate model, the proposed algorithm incorporates the proposed regression model to serve as an operator producing higher-quality offspring so that the algorithm requires fewer iterations to reach a given solution quality. The proposed algorithm is compared with several state-of-the-art surrogate-assisted algorithms on a variety of well-known benchmark problems. Empirical results demonstrate that the proposed algorithm outperforms or is competitive with other peer algorithms, and has the ability to keep a good trade-off between solution quality and running time within a fairly small number of function evaluations. In particular, our proposed algorithm shows obvious superiority in terms of the computational time used for the algorithm components, and can obtain acceptable solutions for expensive problems with high efficiency.     

结合Kriging和物理规划的多目标代理优化算法

遗传算法处理高耗时且具有黑箱性的工程优化问题效率不足。为了提高工程优化效率，结合Kriging代理优化和物理规划，提出了基于Kriging和物理规划的多目标代理优化算法。在处理多目标问题时，使用物理规划将多目标问题转换成单目标问题，再使用Kriging代理优化对单目标问题进行求解。通过两个多目标数值算例和一个工程实例对提出的算法进行验证。结果表明，提出的算法能够求出符合偏好设置的Pareto最优解，且算法的效率更高。     

一种基于最优特征选择改进的遗传算法

数据挖掘中如何有效地从高维特征空间选择最优特征子集,很大程度上影响模型的预测结果,基于此本文提出一种复合适应性函数、多特征组合搜索的自适应性遗传算法。算法依据统计学原理对原始特征先行过滤构建特征候选集,使用多模型融合的交叉验证结果作为适应性函数以提高每轮进化的适应值,轮盘赌算法、定长基因段交叉算法、随机基因位点变异算法分别构成选择算子、交叉算子和变异算子。通过实验对比表明该遗传算法具有一定的稳定性和有效性,能够在原始特征空间中启发性的选择最优特征子集,从而提高数值型预测准确率。     

多目标优化在特征选择子集评价中的应用

特征选择是处理高维大数据常用的降维手段,但其中牵涉到的多个彼此冲突的特征子集评价目标难以平衡。为综合考虑特征选择中多种子集评价方式间的折中,优化子集性能,提出一种基于子集评价多目标优化的特征选择框架,并重点对多目标粒子群优化（MOPSO）在特征子集评价中的应用进行了研究。该框架分别根据子集的稀疏度、分类能力和信息损失度设计多目标优化函数,继而基于多目标优化算法进行特征权值向量寻优,并通过权值向量Pareto解集膝点选取确定最优向量,最终实现基于权值向量排序的特征选择。设计实验对比了基于多目标粒子群优化算法的特征选择（FS_MOPSO）与四种经典方法的性能,多个数据集上的结果表明,FS_MOPSO在低维空间表现出更高的分类精度,并保证了更少的信息损失。     

Surrogate assisted‐hybrid differential evolution algorithm using diversity control

Evolutionary algorithms (EAs) being a major optimization framework, typically require a considerable number of function evaluations to locate an optimal solution for computationally intensive real‐world optimization problems. In order to solve complex multimodal problems within a limited computational budget, surrogate models are integrated with EA. The overall performance of such algorithms not only depends on the construction and integration procedure of the model, but also on the efficiency of the underlying EA in overcoming premature convergence. This can be achieved through diversity control and parameter adaptation methodology in EAs. In this paper, an improved algorithm, namely Diversity Controlled Parameter adapted Differential Evolution with Local Search (DCPaDE‐LS) is integrated into two dynamic surrogate models and two variants, namely Surrogate Assisted Parameter adapted Differential Evolution with Artificial Neural Networks and Response Surface Methodology (SAPDE‐ANN and SAPDE‐RSM) are proposed. They reduce the exact function evaluations for complex, multimodal problems. The performance of the proposed variants are compared on a set of 26 bound‐constrained benchmark functions scalable with 10 and 30 dimensions, with respect to average number of function evaluations (NFE), success rate (SR) and % reduction in NFE in 30 independent trials. The SAPDE variants are compared with Self‐adaptive Differential Evolution, DCPaDE‐LS, Increasing Population Size Covariance Matrix Adaptation Evolution Strategy and Comprehensive Learning Particle Swarm Optimization. The SAPDE variants are able to reduce the NFE without loss in SR for all the functions. The algorithms are also validated using 12 solvable functions from CEC 2005. Of the two variants, SAPDE‐ANN reports reduced NFE in more functions compared with SAPDE‐RSM. Results reveal that the proposed SAPDE algorithm can be applied to real‐world optimization problems.