基于集成分类器代理模型的昂贵多目标进化算法（英文）

作者：蓝天^*

来源：Transactions of Nanjing University of Aeronautics & Astronautics, 2020, S1: 76-87.

DOI：10.16356/j.1005-1120.2020.S.010

• 多目标进化算法
• 昂贵多目标优化
• 集成分类器
• 代理模型

对于许多现实世界中的多目标优化问题,它们目标函数的评估在计算上通常成本高昂,这些问题称为昂贵多目标优化问题(Expensive multiobjective optimization problems,EMOP)。现有的解决昂贵多目标优化问题的一种可行方式是引入计算效率较高的代理模型来减少函数评估的次数。受集成学习启发,本文针对EMOP,提出了基于集成分类器代理模型的多目标进化算法(Multiobjective evolutionary algorithm with an ensemble classifier,MOEA-EC)。具体来说,多个决策树(Classification and regression tree,CART)模型组成一个集成分类器用于进行于选择操作。相比于使用单个不准确的模型参与计算,这种方法可以更有效地减少解的函数评估次数。为了验证MOEA-EC算法的有效性,本文进行了实验研究,并与几种先进的昂贵多目标优化算法进行了比较。实验结果表明,MOEA-EC算法的性能优于其他比较算法。

• 单位
  南京航空航天大学