陈聪-2016.11.18组会-基于代理的分解遗传算法

chencong

标题：基于代理的分解遗传算法（Kriging-assisted Reference Vector Guided Evolutionary Algorithm）

报告人：陈聪

摘要：在多目标优化遗传算法中，我们要将决策空间的X值，通过对应的目标函数f(x),映射到目标空间,从而利用f(x)值得好换选择我们需要的x。但是，目标函数往往相当复杂（特别是在实际问题中，如空气动力学等），由x计算f(x)的过程变得相当耗时。所以，我们可以利用一个代理函数模拟目标函数，达到减少计算时间的目的。本次报告的论文中运用了一种高效的代理模型——Kriging模型并和基于分解的算法（RVEA）结合，提出了一种兼顾计算时间和实验效果的算法K-RVEA（Kriging-assisted Reference Vector Guided Evolutionary Algorithm）。

论文亮点：
（1）在训练K-RVEA过程中，本文用了固定大小且合理的训练集A1，分析当前代理需要改进的方向，确保训练Kriging模型的高效和精确。
（2）对于基于分解的算法RVEA，本文用APD距离，自适应的区分进化不同阶段所侧重的指标。

实验测试：在DTLZ问题上，与同样基于代理的Par-EGO,SMS-EGO,MOEA/D-EGO进行比较，虽然在标准测试问题上效果优于其他算法，但没有给出实际问题的测试结果

参考论文
[1] Surrogate-assisted evolutionary computation: Recent advances and future challenges, Yaochu Jin, Swarm and Evolutionary Computation 1 (2011) 61-70
[2]A Surrogate-assisted Reference Vector Guided Evolutionary Algorithm for Computationally Expensive Many-objective Optimization,Tinkle Chugh, Yaochu Jin, DOI 10.1109/TEVC.2016.2622301, IEEE Transactions on Evolutionary Computation
[3]A Reference Vector Guided Evolutionary Algorithm for Many-Objective Optimization, Ran Cheng, Yaochu Jin, IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, VOL. 20, NO. 5, OCTOBER 2016

分享PPT


附加说明：对于报告没有讲清楚的Kriging模型，将在论文分享版块说明。