科研之友
微信
新浪微博
Facebook
分享链接
摘要
现实世界中存在很多目标函数的计算非常昂贵,甚至目标函数难以建模的复杂优化问题.常规优化方法在解决此类问题时要么无从入手,要么效率低下.离线数据驱动的进化优化方法不需对真实目标函数进行评估,跳出了传统优化方法的固铚,极大推动了昂贵优化问题和不可建模优化问题的求解.但离线数据驱动进化优化的效果严重依赖于所采用代理模型的质量.为提升离线数据驱动进化优化的性能,提出了一个基于剪枝堆栈泛化(Stacked generalization, SG)代理模型构建方法.具体而言,一方面基于异构的基学习器建立初级模型池,再采用学习方式对各初级模型进行组合,以提升代理模型的通用性和准确率.另一方面基于等级保护指标对初级模型进行剪枝,在提高初级模型集成效率的同时进一步提升最终代理模型的准确率,并更好地指导种群的搜索.为验证所提方法的有效性,与7个最新的离线数据驱动的进化优化算法在12个基准测试问题上进行对比,实验结果表明所提出的方法具有明显的优势.
- 单位
