基于协作替代辅助的进化多任务方法,用于解决高成本且约束条件多的多目标优化问题
《Swarm and Evolutionary Computation》:Cooperative surrogate-assisted evolutionary multitasking for expensive constrained multiobjective optimization
【字体:
大
中
小
】
时间:2026年06月27日
来源:Swarm and Evolutionary Computation 9.6
编辑推荐:
陈世坤|吕龙金 中国宁波财经大学人工智能学院,宁波,315175 摘要 在许多工程应用中,存在代价高昂的受限多目标优化问题,这类问题的每个函数评估都需要进行耗时的仿真计算。现有的基于替代模型的进化算法要么忽视无约束帕累托前沿与受限帕累托前沿之间的结构关系,要么对目标和约束都采用单
陈世坤|吕龙金 中国宁波财经大学人工智能学院,宁波,315175 摘要 在许多工程应用中,存在代价高昂的受限多目标优化问题,这类问题的每个函数评估都需要进行耗时的仿真计算。现有的基于替代模型的进化算法要么忽视无约束帕累托前沿与受限帕累托前沿之间的结构关系,要么对目标和约束都采用单一的静态替代策略。本文提出一种协作式双任务进化框架,能够在处理主要受限任务的同时解决辅助的无约束任务。这两个任务共享目标替代模型,从而降低模型构建的开销;同时,从替代模型近似得到的无约束帕累托前沿中提取的方向性知识,可引导受限搜索朝可行且收敛性良好的区域发展。此外,还有一种基于种群状态驱动的机制,能够根据可行性比和替代模型精度在两个任务之间分配有限的评估预算。在四个测试集的50个合成基准实例以及五个实际工程问题上的实验表明,与八种最先进的算法相比,所提出的方法在逆向生成距离和超体积指标上的平均弗里德曼排名均表现最佳,尤其是在包含大量不可行区域的问题上,其优势更为显著。引言 许多实际的工程设计任务需要在各种约束条件下同时优化多个相互冲突的目标[1]。车辆碰撞安全性设计、空气动力学形状优化以及化学工艺配置都是典型例子,这些任务中对目标和约束函数的每次评估都需要进行计算成本较高的有限元分析或计算流体动力学仿真[2]。这类问题被称为代价高昂的受限多目标优化问题(ECMOPs),它们存在两个相互关联的难题:总的评估预算通常仅限于几百次计算,而由约束条件产生的不可行区域可能会阻碍进化搜索向受限帕累托前沿(CPF)推进。基于替代模型的进化算法(SAEAs)和进化多任务处理(EMT)分别是从互补角度解决这些问题的两种有前景的方法,但将二者结合用于ECMOPs仍是一个未解之题。SAEAs利用计算成本较低的替代模型来近似代价高昂的目标函数和约束函数,从而使进化算法能够在不耗尽有限预算的情况下评估候选解[2]。高斯过程回归,也称为克里金法,是最常用的替代模型,因为它既能提供预测值,还能给出不确定性估计[3];而径向基函数网络则是一种更轻量级的替代方案,其在高维问题上的表现更好。近年来,针对代价高昂的多目标或受限问题的SAEAs包括宋等人提出的克里金辅助双档案算法[4]、李等人提出的将目标函数和约束函数近似分开处理的两阶段集成替代模型框架[5]、邵等人提出的深度强化学习替代模型管理器[6],以及张等人提出的基于状态信息的填充准则[7]。尽管有了这些进展,现有的SAEAs仍将ECMOP视为单一的优化任务,没有通过协作式任务设计来利用无约束帕累托前沿(UPF)与CPF之间的结构关系。EMT则能够同时处理多个相关的优化任务,并在它们之间传递有用的知识[8]。研究人员已将这种思路应用于受限多目标优化,通过构建能够放宽或消除约束条件的辅助任务来实现优化。例如,党等人提出了基于注意力机制的辅助任务选择方法[9],乔等人设计了约束分离方案[10],孙等人提出了自适应任务转换框架[11],何等人则设计了具有协作式后代生成的动态优先级序列方案[12]。这些方法在标准的受限优化基准测试中提升了性能,但它们假设评估成本较低,且通常每个任务需要数千次评估。而在评估成本高昂的情况下,总预算可能仅有几百次评估,如何在不同协作任务之间分配预算仍然是一个未解决的问题。另一类相关研究则探索了针对无约束的代价高昂多目标问题的基于替代模型的进化多任务处理方法。吴等人提出了一个自适应的知识传递方案,其中替代模型在各个任务内部独立引导搜索方向;李等人则为高维的代价高昂多目标问题设计了按需生成的辅助任务,并实现了跨维度的知识传递。这些方法表明,将替代模型与多任务处理相结合可以提高在代价高昂环境中的样本效率。然而,受限问题增加了额外的复杂性:辅助的无约束任务会生成一个在结构上与CPF不同的UPF,而且两者之间的关系取决于约束条件如何重塑帕累托前沿。这为解决该问题提供了契机:在辅助无约束任务中构建的目标替代模型不存在由约束条件带来的采样偏差,可以与其共享;同时,从替代模型近似的UPF中获取的方向性知识,可引导受限搜索朝有希望的可行区域前进。为克服上述局限性,我们提出了一种协作式基于替代模型的进化多任务处理框架,简称CoSAEM,用于解决代价高昂的受限多目标优化问题。CoSAEM融合了三个密切相关的研究领域。第一个领域是基于替代模型的进化多任务处理(SA-EMT):吴等人[13]和李等人[14]都在代价高昂的优化任务之间传递搜索信息,但他们的任务均为无约束的。而用于受限多目标优化的辅助任务方法[9]、[10]、[11]、[12]则是构建经过简化或分解的约束任务,并在足够的评估预算支持下实现任务级进化。那些专为代价高昂的受限多目标问题设计的SAEAs[5]、[6]、[7]则侧重于对原始受限问题进行单任务替代模型管理。CoSAEM在三个方面与这些方法有所不同。首先,它将ECMOP视为两个相互关联的任务:一个辅助的无约束任务(任务A)和原始的受限任务(任务B)。这两个任务之间非对称地共享目标替代模型,因此任务A在那些仅通过纯粹的受限搜索难以覆盖的区域生成的样本,有助于构建不可行区域内部以及UPF与CPF之间的目标函数景观。其次,方向性传递利用辅助任务作为前沿引导。每个任务B中的个体都会在标准化目标空间中与一个UPF目标对应,而匹配得到的决策向量则决定了该个体在受限差分进化(DE)突变过程中的位移方向(见方程(14))。这样,任务A就能在不将无约束解直接引入受限种群的情况下,提供基于前沿方向的指导。第三,预算分配机制负责在两个任务之间分配昂贵的函数评估次数,从而在有限的ECMOP预算下,决定用多少真实数据来优化辅助目标函数景观和受限问题的可行性景观。这三方面形成了一个反馈循环:共享的替代模型为方向性传递所使用的UPF重建提供支持;方向性传递改变了受限种群的结构,而该种群的可行性比和替代模型误差又决定了预算的分配方式;最终得到的评估分配结果则用于更新下一个替代模型版本时所使用的共享档案。本文的主要贡献如下:1. 提出了一种协作式双任务架构,将ECMOP视为一个双任务进化多任务问题。辅助的无约束任务和主要的受限任务并行演化,并共享目标替代模型,这不仅降低了模型构建的成本,还提高了目标函数景观近似的精度。2. 设计了一种基于UPF引导的方向性传递机制,该机制从替代模型近似的无约束帕累托前沿中提取引导向量,并将其纳入受限任务的复制操作中。传递强度会根据两个帕累托前沿之间的相似度进行调整,以避免出现负面传递效应。3. 提出了一种基于种群状态驱动的评估预算分配策略,该策略能够在每一代中决定在两个任务之间如何分配昂贵的函数评估次数。预算分配的依据是受限种群的可行性比以及目标和约束替代模型的精度。4. 通过四个测试集的50个合成基准实例以及五个实际工程问题进行了实验验证,并采用了威尔科克森秩和检验和弗里德曼统计检验,与八种最先进的算法进行了比较。本文的其余部分结构如下:第2节回顾了基于替代模型的进化优化、受限多目标优化以及进化多任务处理方面的相关研究,并给出了问题的正式定义。第3节详细介绍了所提出的CoSAEM框架。第4节汇报了实验研究结果,第5节分析了研究发现,第6节对全文进行了总结。片段摘录 针对昂贵优化问题的基于替代模型的进化算法 当每次函数评估都需要进行成本高昂的仿真计算时,SAEAs会用计算成本较低的替代模型预测结果来替代部分评估工作[2]。高斯过程回归因其既能提供均值预测值,又能给出不确定性估计,因而成为最受欢迎的选择之一[3]。径向基函数网络则是一种替代方案,它在处理中等维度问题时表现更为出色。此外,还有一些与群体优化相关的研究,包括竞争型群体优化器的变体以及相应的学习策略。整体框架 CoSAEM将ECMOP视为一个协作式的双任务优化问题。任务A保留原有的目标函数f1,…,fm,但取消所有约束条件,因此实际上是在解决一个无约束多目标问题。任务B则是定义2.1中所描述的原始受限问题。这两个任务共享目标替代模型。任务A通过替代模型近似的UPF获取的方向性知识,可引导任务B中的受限搜索朝可行区域前进,同时还有一个预算分配模块负责在有限的昂贵评估资源之间进行分配。基准测试问题 我们采用了四种涵盖不同约束场景的受限多目标基准测试集。C-DTLZ测试集[27]包含五个问题(C1-DTLZ1、C1-DTLZ3、C2-DTLZ2、C3-DTLZ1、C3-DTLZ4),这些问题的DTLZ目标函数带有可调整的约束条件。每个问题分别在m=2和m=3个目标函数的情况下进行测试,其中d的值遵循推荐的DTLZ配置规则,即基于DTLZ1的目标函数时d=k=5,其他情况则d=k=10。DC-DTLZ测试集[28]包含六个问题(DC1-DTLZ1、DC1-DTLZ3、DC2-DTLZ1、DC2-DTLZ3)。讨论 通常,高昂的评估成本和多目标约束会被视为两个独立的设计问题:基于替代模型的进化算法可以减少实际评估的次数,而协作式方法或约束放松策略则有助于找到可行的解。在CoSAEM框架中,这两个方面被整合在了一起。辅助的无约束任务能够将目标替代模型的训练数据扩展到那些仅通过纯粹的受限搜索很难覆盖的区域,包括不可行区域以及UPF与CPF之间的区域。结论 本文提出了CoSAEM,这是一种用于解决代价高昂的受限多目标优化的协作式基于替代模型的进化多任务处理框架。该方法将问题视为一个双任务优化问题,其中辅助的无约束任务通过与主要受限任务之间的三种机制进行协作:首先,两个任务共享目标替代模型,从而整合双方的训练数据;其次,基于UPF引导的方向性传递机制,可引导受限搜索朝具有良好可行性的区域前进。CRediT作者贡献说明 陈世坤:写作——审稿与编辑、写作——初稿撰写、可视化、验证、方法论、研究分析、形式化分析、数据整理、概念构思。吕龙金:软件工具、资源获取、研究分析、资金筹集、概念构思。利益冲突声明 作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。致谢 本研究得到了宁波青年科技创新领军人才项目(项目编号2025QL054)以及中国浙江省自然科学基金(项目编号ZCLTGS24D0101)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号