检索结果-内蒙古大学图书馆

郑州大学学报(工学版) 2025年第2期46卷 51-59页

作者：李二超吴煜兰州理工大学电气工程与信息工程学院甘肃兰州730050

针对基于分类代理辅助进化算法模型管理效率不高和如何有效降低真实函数评估次数的问题,提出了一种基于自适应采样策略的模糊分类代理辅助进化算法。首先,算法通过帕累托支配关系筛选样本来构造代理模型;其次,采用基于转移的密度估计策... 详细信息

针对基于分类代理辅助进化算法模型管理效率不高和如何有效降低真实函数评估次数的问题,提出了一种基于自适应采样策略的模糊分类代理辅助进化算法。首先,算法通过帕累托支配关系筛选样本来构造代理模型;其次,采用基于转移的密度估计策略提高选择压力,兼顾收敛性与多样性,同时利用十折交叉验证得到精度信息用来划分状态;最后,设计了一种自适应模型管理策略,其考虑当前种群的收敛性、多样性和不确定性,并根据不同精度状态采用有针对性的采样方式,该算法能够在保证整体性能的前提下,合理减少真实评估次数。为验证所提算法性能,将该算法与其他4种算法在MaF、WFG测试集和汽车侧面碰撞设计与驾驶室设计的实际工程问题上进行了分析对比实验,实验结果表明:所提算法在有限次评估条件下,在解决昂贵多目标优化问题时具有较好的竞争力。

关键词：代理辅助进化算法代理模型昂贵多目标优化问题模型管理

来源：评论

学校读者我要写书评

暂无评论

基于改进集成学习分类的代理辅助进化算法

引用

控制与决策 2022年第10期37卷 2456-2466页

作者：顾清华张晓玥陈露西安建筑科技大学管理学院西安710055 西安市智慧工业感知计算与决策重点实验室西安710055

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... 详细信息

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.

关键词：昂贵高维多目标优化代理辅助进化算法代理模型集成学习装袋法分类器

来源：评论

学校读者我要写书评

暂无评论

基于聚类的昂贵多目标优化代理辅助进化算法

引用

运筹学学报 2022年第4期26卷 31-42页

作者：白富生陈姣伶重庆师范大学重庆国家应用数学中心重庆401331 重庆师范大学数学科学学院重庆401331

针对目标函数估值昂贵的多目标优化问题,提出了基于聚类的代理辅助进化算法。在MOEA/D算法的框架下,对种群进行聚类,并通过权重向量的邻域选出种群子集,在子集上使用径向基插值函数辅助的差分进化算法得到新解,对种群进行更新。在7个DTL... 详细信息

针对目标函数估值昂贵的多目标优化问题,提出了基于聚类的代理辅助进化算法。在MOEA/D算法的框架下,对种群进行聚类,并通过权重向量的邻域选出种群子集,在子集上使用径向基插值函数辅助的差分进化算法得到新解,对种群进行更新。在7个DTLZ标准测试问题上进行了数值实验,计算结果表明本文提出的算法比新近提出的多目标邻域回归优化(MONRO)算法具有优势。

关键词：多目标优化代理辅助进化算法径向基函数聚类

来源：评论

学校读者我要写书评

暂无评论

一种求解昂贵黑箱优化问题的多代理辅助进化算法

引用

重庆师范大学学报（自然科学版） 2023年第1期40卷 95-104页

作者：钟奇白富生重庆师范大学数学科学学院重庆国家应用数学中心重庆401331

[目的]提出一种求解昂贵黑箱优化问题的多代理辅助进化算法。[方法]对进化采样辅助优化算法进行改进,将全局搜索中每代的进化操作进行10次,以降低求解的不稳定性;并对全局搜索与局部搜索的转换采用自适应距离准则判断,从而提高求解的精... 详细信息

[目的]提出一种求解昂贵黑箱优化问题的多代理辅助进化算法。[方法]对进化采样辅助优化算法进行改进,将全局搜索中每代的进化操作进行10次,以降低求解的不稳定性;并对全局搜索与局部搜索的转换采用自适应距离准则判断,从而提高求解的精度。[结果]得到了新的昂贵黑箱优化问题的多代理辅助进化算法。[结论]使用22个测试问题对新算法的数值结果进行评估,结果表明新算法与进化采样辅助优化算法相比优势明显。

关键词：昂贵黑箱函数代理辅助进化算法径向基函数

来源：评论

学校读者我要写书评

暂无评论

基于监督的代理辅助进化算法研究及应用

基于监督的代理辅助进化算法研究及应用

引用

作者：刘天威天津大学

学位级别：硕士

作为人工智能的一个重要分支,进化算法(Evolutionary Algorithms,EAs)是用于求解复杂最优化问题的主要途径之一。由于个体适应度评估是EAs的重要步骤,其高效性和准确性影响着进化算法的性能。代理辅助进化算法(Surrogate Assisted Evolu... 详细信息

作为人工智能的一个重要分支,进化算法(Evolutionary Algorithms,EAs)是用于求解复杂最优化问题的主要途径之一。由于个体适应度评估是EAs的重要步骤,其高效性和准确性影响着进化算法的性能。代理辅助进化算法(Surrogate Assisted Evolutionary Algorithms,SAEAs)与传统的EAs的主要区别在于个体适应度评估方法的不同。传统的EAs采用精确函数进行适应度评估,而SAEAs使用代理模型进行适应度评估。通常情况下使用代理模型进行适应度评估的时间复杂度远远小于使用精确函数,因此相比于传统的EAs,SAEAs具有更高的算法效率,常用于解决对算法效率要求较高的复杂最优化问题。然而,SAEAs的研究尚处于起步阶段,在求解效率和求解质量方面仍然有较大的提升空间。本文的主要工作如下:(1)本文提出了一种基于监督的代理辅助进化算法(Supervised-Surrogate Assisted Evolutionary Algorithms,S-SAEAs)的框架,该算法将适应度评估准确率作为监督信号,并在此基础上设计了模型管理策略和新个体生成策略。前者通过调整代理模型的更新频率提升求解效率,后者通过保持种群多样性提升求解质量。(2)为了进一步验证S-SAEAs的性能,本文将所提出的S-SAEAs用于求解区域调光这一实际问题,基于上述的基于监督的代理辅助进化算法框架,本文设计了一种基于监督的代理辅助粒子群算法的区域调光方法(SupervisedSurrogate Assisted Particle Swarm Optimization-Local Dimming,S-SAPSO-LD)。实验结果表明,S-SAPSO-LD能够在保证输出图像质量的情况下提升算法效率。

关键词：最优化问题代理辅助进化算法监督信号模型更新策略新个体生成策略区域调光

来源：评论

学校读者我要写书评

暂无评论

反向学习增强的代理辅助进化算法

反向学习增强的代理辅助进化算法

引用

作者：凌赵奇中国科学院大学

学位级别：硕士

解决现实世界中的优化问题往往计算费时。进化算法(EA)是求解连续空间上的复杂优化问题的一个自然的方法，但它常常需要大量的函数评估预算。在使用EA求解计算费时的复杂优化问题时，通常需要代理模型的辅助来大幅减少真实评估次数，进... 详细信息

解决现实世界中的优化问题往往计算费时。进化算法(EA)是求解连续空间上的复杂优化问题的一个自然的方法，但它常常需要大量的函数评估预算。在使用EA求解计算费时的复杂优化问题时，通常需要代理模型的辅助来大幅减少真实评估次数，进而降低计算成本。反向学习(OBL)通过同时考虑当前解及其反向解来加速算法收敛，这为增强代理辅助进化算法(SAEA)的性能提供了新的机会。　　本学位论文的主要研究工作如下:　　1.我们将OBL与分层的SAEA相结合，构造出反向学习增强的代理辅助混合优化(OBL-SAHO)算法框架。通过在不同类型的基准函数上对OBL-SAHO进行的仿真实验，我们得到了以下结论:　　(a)OBL在算法的初始化和更新阶段都能实现独立的改进，而在初始化阶段OBL算子对性能提升的贡献占主导地位。使用适当的OBL算子的OBL-SAHO可以达到与最先进的SAEA相竞争的结果。　　(b)在OBL-SAHO框架下，不同功能的OBL算子的效用会受到问题的属性和维数的影响，因此我们有必要根据问题自适应地选择OBL算子。　　2.为了充分利用不同功能的OBL算子以提高OBL-SAHO的性能，我们设计了两种自适应的OBL算子选择策略:算子贪心切换策略和基于meta-Lamarckian学习的算子选择策略，后者在更多的函数评估预算下能够达到更高的精度。

关键词：复杂优化代理辅助进化算法反向学习算子选择策略

来源：评论

学校读者我要写书评

暂无评论

数据驱动的代理辅助进化算法解决高维昂贵问题

数据驱动的代理辅助进化算法解决高维昂贵问题

引用

作者：龚懿昀中北大学

学位级别：硕士

高维昂贵优化问通常涉及众多变量,其求解过程需耗费大量计算资源,这对传统优化算法提出了巨大的挑战。进化算法作为一种有效的全局优化方法,在高维复杂问题上显示出了优越性能,但面对计算资源密集型问题时,效率问题成为其主要短板。代... 详细信息

高维昂贵优化问通常涉及众多变量,其求解过程需耗费大量计算资源,这对传统优化算法提出了巨大的挑战。进化算法作为一种有效的全局优化方法,在高维复杂问题上显示出了优越性能,但面对计算资源密集型问题时,效率问题成为其主要短板。代理辅助进化算法采用代理模型逼近目标函数,有效减少了对昂贵计算资源的依赖,提升了优化过程的效率。尽管如此,在处理高维数据时,直接应用代理模型依旧受到"维数灾难"的限制。针对此问题,本文提出了耦合特征约简与重构双驱动协同的代理模型辅助进化算法(DDCSAEA)、高维昂贵问题的两阶段双驱动协同代理辅助进化优化算法(TSLL)、以及基于双受限玻尔兹曼机和强化学习自适应策略选择的代理辅助进化算法(DRBM-ASRL)三种算法。DDCSAEA通过主成分分析和自编码器技术,对高维特征进行约简与重构,提升了算法在高维空间的搜索效率。TSLL算法采用两阶段的优化策略,第一阶段利用特征约简寻找潜在的优秀样本并特征重构,第二阶段精细化搜索进一步优化解决方案。DRBM-ASRL算法引入双受限玻尔兹曼机来学习和表示高维特征空间,结合强化学习策略自适应地选择最合适的搜索策略,以实现对高维问题的有效优化。通过在多个标准测试函数上的实验验证,相比现有的代理辅助进化算法,本文提出的三种算法框架能够在减少计算成本的同时,提高优化精度和鲁棒性。此外,通过引入的特征学习与强化学习策略,算法在处理复杂高维优化问题时表现出更好的适应性和灵活性。TSLL和DRBM-ASRL分别应用于风电场布局和电力系统优化问题。对于风电场布局,TSLL算法有效地确定了最佳风电机组布局,提高了风电场的效率和产能。在电力系统优化方面,DRBM-ASRL算法优化了电力系统的运营配置,旨在满足能源需求的同时降低运行成本。这两种算法的应用不仅展示了它们在解决实际工程问题上的高效性,也证实了其实用性和鲁棒性。

关键词：高维昂贵问题代理辅助进化算法特征约简与重构受限玻尔兹曼机强化学习

来源：评论

学校读者我要写书评

暂无评论

基于模糊分类预选的代理辅助多目标进化算法

引用

控制与决策 2025年第2期40卷 553-562页

作者：李二超吴煜兰州理工大学电气工程与信息工程学院兰州730050

深入探究实际工程问题后,发现求解昂贵高维多目标优化问题的需求正在逐渐增多.一般回归模型求解这类问题时,模型累积误差和运算量会急剧增加.为更好地提高代理辅助进化算法的搜索效率,并平衡高维多目标问题中种群的收敛性与多样性,提出... 详细信息

深入探究实际工程问题后,发现求解昂贵高维多目标优化问题的需求正在逐渐增多.一般回归模型求解这类问题时,模型累积误差和运算量会急剧增加.为更好地提高代理辅助进化算法的搜索效率,并平衡高维多目标问题中种群的收敛性与多样性,提出一种基于模糊分类预选策略的代理辅助进化算法(fuzzy classification preselection based surrogate-assisted multi-objective evolutionary algorithm,FCPSEA).首先,初始化种群并进行昂贵评估,凭借非支配关系与拥挤度构造两档训练样本集;然后,利用训练样本和双档案算子来较为准确地引导分类器分类;最后,提出一种基于模糊分类预选的模型管理策略,根据预测的双档案类标签与隶属度来设置模型管理策略.为验证所提算法的性能,在包含各种特征的两组测试问题上与近几年的经典算法进行对比实验.实验结果表明,所提出的算法在求解昂贵高维多目标优化问题上具有较强的竞争力.

关键词：代理辅助进化算法昂贵高维多目标优化分类预选分类代理模型模型管理进化算法

来源：评论

学校读者我要写书评

暂无评论

基于代理辅助选择策略的多目标进化算法

引用

重庆师范大学学报（自然科学版） 2022年第4期39卷 12-20页

作者：陈姣伶白富生重庆师范大学数学科学学院重庆国家应用数学中心重庆401331

【目的】在目标函数评估昂贵的情形下,为目标空间维度较高的多目标优化问题提供一种有效的解决方案。【方法】在基于分解的多目标进化算法的基础上,采用种群聚类的办法对决策空间中的种群进行聚类,确定后代点的生成邻域。在生成后代的... 详细信息

【目的】在目标函数评估昂贵的情形下,为目标空间维度较高的多目标优化问题提供一种有效的解决方案。【方法】在基于分解的多目标进化算法的基础上,采用种群聚类的办法对决策空间中的种群进行聚类,确定后代点的生成邻域。在生成后代的过程中,首先扩大遗传算法中父代样本点的选择范围,然后利用径向基函数对生成的候选点种群进行筛选,并选择值最好的候选点作为后代,进而更新种群。【结果】得到了解决具有高维目标空间的昂贵多目标进化算法。【结论】就具有高维目标空间的测试问题而言,本文提出的算法与多目标邻域回归优化算法相比有很大优势。

关键词：多目标优化代理辅助进化算法径向基函数聚类

来源：评论

学校读者我要写书评

暂无评论

面向昂贵优化问题的代理辅助进化优化算法

面向昂贵优化问题的代理辅助进化优化算法

引用

作者：苏小丽长春师范大学

学位级别：硕士

进化算法(Evolutionary Algorithms,简称EAs)是一种启发式的随机优化方法,依据优胜劣汰、适者生存的思想进化出最适合环境的后代群体。种群经过随机变异后根据环境选择的结果保留有希望的个体,重复多次迭代后找到最优个体,即最优解。进... 详细信息

进化算法(Evolutionary Algorithms,简称EAs)是一种启发式的随机优化方法,依据优胜劣汰、适者生存的思想进化出最适合环境的后代群体。种群经过随机变异后根据环境选择的结果保留有希望的个体,重复多次迭代后找到最优个体,即最优解。进化算法原理简单、易于实现,且收敛速度较快,所以,也就成为了处理优化问题的热门方法之一。然而,受限于一些特定问题中个体筛选的评估函数计算量过于庞大,使得在进化算法应用于实际工程领域时,常常会导致计算代价昂贵、运行速度极慢等问题。为了拓宽进化算法在昂贵优化问题上的应用,近年来有学者提出一种代理辅助进化算法(Surrogate-Assisted Evolutionary Algorithms,简称SAEAs),该方法使用历史数据建立代理模型替换部分真实函数的评估,从而大大降低了进化过程中的计算代价,能够在有限的时间内找到有希望的解。针对现有SAEAs主体框架和代理模型使用中的可改进之处,本文做了以下工作:(1)分析了SAEAs代理模型中训练样本的选择对算法进化效果的影响。当选定代理模型后,连续两次迭代所选中的训练样本对模型指导进化的效果有重要的影响。基于此,本文提出了一种协同代理辅助的建模方法。该方法首先对所有样本进行分类,再从每个分类中抽取一定数量的样本,这些样本作为代理的训练样本。这样训练得到的代理模型不仅能够在算法后期降低代理的训练成本,还能一定程度上降低代理出现过度拟合问题的风险。(2)提出了一种协同代理辅助社会学习粒子群优化算法(Collaborative Surrogate-assisted Social Learning Particle Swarm Optimization,简称CSSLPSO)。CSSLPSO实现了两阶段寻优。在全局搜索阶段,该算法使用所有样本进行协同代理模型训练,并结合社会学习粒子群优化算法完成搜索。继而进入局部搜索阶段,使用前端搜索技术加速收敛。为了避免种群陷入局部最优,本文设计了精准变异策略,当通过计算当前种群的适应度方差达到阈值后,判定种群进入局部最优陷阱,此时启用使用距离的二次变异改变当前种群进化状态,从而实现新的探索。(3)设计并完成了CSSLPSO与主流SAEAs算法的对比实验。在基准测试方面,CEC2005和CEC2015的21个测试函数集的实验结果表明,CSSLPSO在不同维度上表现优异;在应用实验方面,通过将本算法与其他主流SAEAs在雷达相位编码优化问题中的比较,证明了CSSLPSO在实际工程应用问题中的有效性。

关键词：进化算法昂贵优化问题代理辅助进化算法粒子群优化社会学习粒子群优化

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：