Push and Pull Search Embedded in an M2M Framework for Solving Constrained Multi-objective Optimization Problems
在求解约束多目标优化问题时,多目标进化算法的一个关键问题是如何平衡工作种群的收敛性和多样性。
2019-06-02 cs.NE
Evolutionary Diversity Optimization Using Multi-Objective Indicators
进化多样性优化的目标是计算一组不同的解决方案,其中所有解决方案都满足给定的质量标准。通过本文,我们将进化多样性优化和进化多目标优化结合起来。我们展示了如何流行的指标,经常使用的多目标优化领域可以用于进化多样性优化。我们的实验研究不断发展的TSP实例和图像的不同集合,根据各种功能表明,两个最突出的多目标指标,即超体积指标和倒置的世代距离,提供了良好的结果,在可视化和各种多样性指标。
2018-11-16 cs.NE
A Decomposition-based Large-scale Multi-modal Multi-objective Optimization Algorithm
多模态多目标优化问题是一类特殊的多Pareto子集多目标优化问题。本文在广泛应用的MOEA/D算法的基础上,提出了一种高效的多模态多目标优化算法。在我们提出的算法中,每个权重向量都有自己的子种群。通过清除机制和贪婪删除策略,我们提出的算法可以有效地保留等价的Pareto最优解(即,具有相同目标值的不同Pareto最优解)。实验结果表明,该算法在处理大规模多模态多目标优化问题时,能够有效地保持决策空间解的多样性。
2020-04-21 cs.NE
Neuroevolutionary Multi-objective approaches to Trajectory Prediction in Autonomous Vehicles
Maynooth University(梅努斯大学);Valeo Vision Systems(法雷奥视觉系统公司)
近年来,使用进化算法(EA)进行深度神经网络(DNN)的自动优化和训练(一个被称为神经进化的过程)的动机已经获得了动力。这些网络的配置和训练可以看作是优化问题。事实上,最近大多数关于神经进化的研究都把注意力集中在单目标优化上。此外,在神经进化和进化多目标优化(EMO)的交叉点上进行的研究很少,所有已经进行的研究都主要集中在使用一种类型的DNN:卷积神经网络(CNN),使用完善的标准基准问题,如MNIST。在这项工作中,我们通过使用和研究由CNN和长短期记忆网络组成的丰富的DNN,在这两个领域(神经进化和EMO)的理解上取得了飞跃,在这项工作中被视为神经进化的多目标。此外,我们使用一个强大的和具有挑战性的车辆轨迹预测问题。通过使用著名的非支配排序遗传算法-II,我们研究了五个不同目标的影响,在三个类别中进行了测试,使我们能够展示这些目标如何在自动驾驶汽车的轨迹预测神经进化中产生积极或有害的影响。
2022-05-06 cs.CV cs.NE
Transfer Learning Based Co-surrogate Assisted Evolutionary Bi-objective Optimization for Objectives with Non-uniform Evaluation Times
大多数现有的多目标进化算法(MOEAs)隐含地假设每个目标函数可以在同一时间内进行评估。一般来说。这在许多现实世界的优化方案中是站不住脚的,其中不同目标的评估涉及具有不同时间复杂度的不同计算机模拟或物理实验。针对这一问题,提出了一种基于代理辅助进化算法(SAEAs)的迁移学习方案.该方案采用协同代理来模拟快、慢目标函数之间的函数关系,并引入可迁移实例选择方法从快目标的搜索过程中获取有用的知识.我们的DTLZ和UF测试套件的实验结果表明,该算法是有竞争力的解决双目标优化的目标有不均匀的评价时间。
2021-08-30 cs.NE
Multi-objective Differential Evolution with Helper Functions for Constrained Optimization
多目标进化算法在求解约束优化问题方面取得了巨大的成就。标准的多目标格式通常以同时最小化目标函数和约束违反程度为目标。提出了一种求解约束优化问题的多目标算法。新方法保持了两个标准目标:原始目标函数和约束违反度之和。但除此之外,还增加了四个目标。一种是基于可行规则。另外三个来自惩罚函数。本文对13个基准函数进行了初步的实验研究。一个简化版本的CMODE被应用于解决多目标优化问题。我们最初的实验结果证实了我们的期望,即添加更多的辅助函数可能是有用的。SMODE的性能与更多的帮助函数(四个或六个)比只有两个帮助函数。
2015-10-01 cs.NE
Alleviating Search Bias in Bayesian Evolutionary Optimization with Many Heterogeneous Objectives
多目标优化问题是现实世界中常见的问题,其目标具有不同的评价成本。这些问题现在被称为具有异构目标的多目标优化问题(HE-MOPs)。然而,到目前为止,只有少数研究报告,以解决HE-MOPs,其中大多数集中在一个快速目标和一个缓慢的目标的双目标问题。在这项工作中,我们的目标是处理具有两个以上的黑盒和异构目标的HE-MOPs。为此,我们开发了一种多目标贝叶斯进化优化方法,HE-MOPs利用不同的数据集上的廉价和昂贵的目标HE-MOPs,以减轻搜索偏差所造成的异质性评估成本评估不同的目标。为了最好地利用两个不同的训练数据集,一个与所有目标的解决方案,而另一个与那些只评估的快速目标,两个独立的高斯过程模型的构造。此外,一个新的采集功能,减轻对快速目标的搜索偏差的建议,从而实现收敛和多样性之间的平衡。我们证明了所提出的算法的有效性,通过测试广泛使用的多/多目标基准问题,其目标被假定为异质昂贵。
2022-08-25 cs.NE
Impacts of Single-objective Landscapes on Multi-objective Optimization
The University of Electro-Communications(电气通信大学)
该研究揭示多目标优化问题与其内嵌单目标问题的关联,通过分析两类网络结构,发现多数帕累托最优解可从单目标局部最优解获得,为多目标优化提供了新线索。
2026-08-05 cs.NE
Using External Archive for Improved Performance in Multi-Objective Optimization
它表明,使用一个外部的档案,纯粹用于存储的目的,可以带来实质性的好处,在多目标优化。本文提出了一种新的档案管理方案。新方案与NSGA-II算法相结合,解决两个多目标优化问题,它表明,这种组合给出了显着改善的Pareto最优解集。额外的计算工作,因为外部档案被发现是微不足道的目标函数时,是昂贵的评估。
2018-11-22 cs.NE
An Easy-to-use Real-world Multi-objective Optimization Problem Suite
虽然合成测试问题被广泛用于进化多目标优化算法的性能评估,它们可能包括不切实际的属性,这可能导致高估/低估。为了解决这个问题,我们提出了一个多目标优化问题套件,由16个有界约束的现实世界的问题。该问题套件包括各种问题的数量的目标,帕累托前沿的形状,和设计变量的类型。16个问题中有4个是多目标混合整数优化问题。我们提供了16个问题的Java,C和Matlab源代码,以便以现成的方式提供。我们研究了每个测试问题的近似Pareto前沿。我们还分析了六个代表性的进化多目标优化算法的性能对16个问题。除了16个问题,我们提出了8个约束多目标现实世界的问题。
2020-09-27 cs.NE
A Batched Scalable Multi-Objective Bayesian Optimization Algorithm
代理辅助优化算法是求解复杂多目标优化问题的一种有效方法。然而,大多数现有的代理辅助多目标优化算法有三个主要缺点:1)不能很好地解决高维决策空间的问题,2)不能结合可用的梯度信息,3)不支持批量优化。这些缺点阻止了它们用于解决许多现实世界的大规模优化问题。本文提出了一种批量可扩展的多目标贝叶斯优化算法来解决这些问题。该算法使用贝叶斯神经网络作为可扩展的代理模型。在Monte Carlo dropout和Sobolov训练的支持下,该模型可以很容易地训练,并可以包含可用的梯度信息。我们还提出了一种新的批量超体积置信上限获取函数来支持批量优化。各种基准问题和实际应用的实验结果表明,该算法的效率。
2018-11-04 cs.NE
Design and classification of dynamic multi-objective optimization problems
在这项工作中,我们提供了一个正式的模型,可以出现在动态多目标优化问题,随着这些组件的分类不同的时间依赖性组件。四个主要的类被确定,对应于参数的影响,目标函数,以前的动态系统的状态,最后,环境的变化,这反过来又导致在线优化问题。为了说明的目的,为每一类别提供了例子-绝不是最具代表性的例子,也不是详尽无遗的例子。
2011-03-24 cs.NE
Do We Really Need to Use Constraint Violation in Constrained Evolutionary Multi-Objective Optimization?
约束破坏是设计求解约束多目标优化问题的进化多目标优化算法的基础。然而,在现实世界的黑盒优化场景中,约束违反是很难接近的,这并不罕见。现有的约束进化多目标优化算法的环境选择机制是建立在约束违背的基础上的,当约束函数的形式未知时,这些算法是否仍然有效还不清楚。考虑到这一点,本文选取了四个广泛使用的约束进化多目标优化算法作为基线,并开发了相应的变种,用一个清晰的值来代替约束违反。从我们的实验合成和现实世界的基准测试问题,我们发现,所选算法的性能没有显着影响时,约束违反不用于指导环境选择。
2022-05-28 cs.NE
An Improved Two-Archive Evolutionary Algorithm for Constrained Multi-Objective Optimization
约束多目标优化问题(CMOPs)在现实世界的工程优化场景中普遍存在。约束多目标优化的一个关键问题是如何在收敛性、多样性和可行性之间取得平衡。近年来提出的求解约束多目标优化问题的双存档进化算法(C-TAEA)是一种新的算法。然而,由于它的两个共同进化的档案之间的合作机制的简单实现,C-TAEA是挣扎时,解决问题的\textit{pseudo}帕累托最优的前沿,它不考虑约束,占主导地位的\textit{feasible}帕累托最优的前沿。在本文中,我们提出了一个改进的版本C-TAEA,被称为C-TAEA-II,具有改进的更新机制的两个共同进化的档案和自适应交配选择机制,以促进更好的合作,共同进化的档案。实验结果表明,所提出的C-TAEA-II的竞争力相比,五个有代表性的约束进化多目标优化算法。
2021-03-10 cs.NE
Evolutionary Bi-objective Optimization for the Dynamic Chance-Constrained Knapsack Problem Based on Tail Bound Objectives
现实世界中的组合优化问题往往是随机和动态的。因此,至关重要的是要以整体方法做出最佳和可靠的决策。本文考虑了动态机会约束背包问题,其中每个物品的重量是随机的,容量约束随时间动态变化,目标是在总重量超过容量的概率下最大化总利润.我们利用突出的尾部不等式,如切比雪夫的不等式,和Beschoff界近似的概率约束。我们的主要贡献是引入一个额外的目标,估计一个给定的随机解,仍然满足机会约束的最小容量界。这一目标有助于满足动态变化的随机问题。我们应用单目标和多目标进化算法的问题,并显示如何双目标优化可以帮助处理动态的机会约束问题。
2020-02-17 cs.NE
Evolutionary Multitasking for Single-objective Continuous Optimization: Benchmark Problems, Performance Metric, and Baseline Results
在这份报告中,我们提出了九个多任务单目标优化(MTSOO)的测试问题,每个问题都由两个需要同时解决的单目标优化任务组成。不同的测试问题之间的任务之间的关系是不同的,这将有助于有一个全面的评价MFO算法。期望所提出的测试问题能在MTSOO的研究领域中起到抛砖引玉的作用。
2017-06-12 cs.NE
BMOBench: Black-Box Multi-Objective Optimization Benchmarking Platform
本文档简要介绍黑盒多目标最优化基准测试(BMOBench)平台。它介绍了测试问题、评估程序和实验设置。为此,BMOBench的证明,比较最近的多目标求解器从文献中,即SMS-EMOA,DMS和MO-SOO。
2017-07-01 cs.NE math.OC
What if we Increase the Number of Objectives? Theoretical and Empirical Implications for Many-objective Optimization
The University of Manchester(曼彻斯特大学);Poznań University of Technology(波兹南理工大学);University of Lille(里尔大学);Centrale Lille(里尔中央理工学院);Inria(法国国家信息与自动化研究所);Martin-Luther-Universität Halle-Wittenberg(哈勒-维腾贝格马丁路德大学)
求解多目标优化问题的难度受待优化目标的数量影响。许多目标的存在通常会引入许多影响优化算法的选择/设计的挑战。本文从两个角度研究了这些挑战的驱动因素:(i)目标数量对问题特征的影响,以及(ii)应对许多目标的常用程序和算法的实际行为。除了审查各种驱动因素,本文通过量化一些驱动因素和/或通过对多目标NK景观和其他典型基准进行实验来验证这些驱动因素,从而做出理论贡献。然后,我们利用我们的理论和实证研究结果,得出实际的建议,以支持算法设计。最后,我们讨论了剩余的理论差距和机会,为未来的研究领域的多目标和多目标优化。
2021-06-06 cs.AI cs.NE
Towards Fairness-Aware Multi-Objective Optimization
East China University of Science and Technology(华东理工大学);Northeastern University(东北大学);Bielefeld University(比勒费尔德大学);University of Surrey(萨里大学)
近年来,公平感知机器学习在减轻决策中的不公平或歧视方面得到了快速发展,应用范围广泛。然而,公平感知的多目标最优化问题在现实生活中确实很常见,如公平资源分配问题和数据驱动的多目标最优化问题,却很少受到关注。本文旨在从公平性的角度阐明和拓宽我们对多目标最优化的理解。为此,我们从讨论多目标最优化中的用户偏好开始,然后探索其与机器学习和多目标最优化中的公平性的关系。在此基础上,给出了公平性感知多目标优化的典型案例,进一步阐述了公平性在传统多目标最优化、数据驱动优化和联邦优化中的重要性。最后,公平意识的多目标最优化的挑战和机遇。我们希望这篇文章能够为在优化的背景下理解公平性迈出一小步,并促进对公平感知多目标最优化的研究兴趣。
2022-07-22 cs.AI cs.LG cs.NE
Efficient Computation of Probabilistic Dominance in Robust Multi-Objective Optimization
Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)(弗里德里希-亚历山大大学埃尔兰根-纽伦堡分校(FAU))
现实世界的问题通常需要同时优化几个经常相互冲突的目标。这些多目标优化问题中的许多问题的特征在于其决策变量或目标函数中的大范围的不确定性,这进一步增加了优化的复杂性。为了应对这些不确定性,鲁棒优化被广泛研究,旨在区分候选解与由置信区间,概率分布或采样数据指定的不确定目标。然而,现有的技术大多没有考虑实际的分布或假设不确定性的均匀或高斯分布的实例。本文介绍了一种经验的方法,使一个有效的比较候选解决方案与不确定的目标,可以遵循任意分布。给定两个候选解进行比较,该算子计算一个解在每个不确定目标方面优于另一个解的概率。它可以替代现有优化技术(如进化算法)的标准比较算子,以发现具有多个不确定目标的问题的鲁棒解决方案。本文还提出了将各种不确定性,在著名的多目标问题,提供一个基准评估不确定性感知优化技术。所提出的比较算子和基准套件集成到现有的优化工具中,该工具具有多目标优化问题和算法的选择。实验结果表明,与现有技术相比,该方法在较低的开销下获得了较高的优化质量。
2019-10-18 cs.LG cs.NE stat.ML
Molecule optimization via multi-objective evolutionary in implicit chemical space
Anhui University(安徽大学);Hunan University(湖南大学)
机器学习方法已被用于加速分子优化过程。然而,利用稀缺的标记数据有效搜索满足若干性质的优化分子仍然是机器学习分子优化的挑战。在这项研究中,我们提出了MOMO,一个多目标分子优化框架,以应对这一挑战,结合学习化学知识与帕累托为基础的多目标进化搜索。为了学习化学,它采用了一个自我监督的编解码器来构建一个隐含的化学空间,并获得分子的连续表示。为了探索已建立的化学空间,MOMO使用多目标进化来全面有效地搜索具有多种期望性质的相似分子。我们证明了高性能的MOMO四个多目标属性和相似性优化任务,并说明搜索能力的MOMO通过案例研究。值得注意的是,我们的方法在同时优化三个目标方面明显优于以前的方法。结果表明MOMO具有较强的优化能力,建议提高先导分子优化的成功率。
2022-12-17 cs.LG cs.NE q-bio.BM
Evolutionary Hyperparameter Optimization to Find Lightweight CNN Models for Autonomous Steering
采用(N+M)进化策略自动调优CNN超参数,在极小数据集上训练轻量级模型实现实时转向角预测,平衡计算效率与精度。
2026-06-29 cs.CV cs.NE cs.RO