基于截断期望改进矩阵(Truncated Expected Improvement Matrix, TEIM)加点准则融合目标函数先验边界知识的多目标高效全局优化(Multi-Objective Efficient Global Optimization, MOEGO)方法

《IEEE Access》:Multi-Objective Efficient Global Optimization Method With Truncated Expected Improvement Matrix-Based Infill Criterion for Problems With Prior Knowledge on Objective Bounds

【字体: 大 中 小 】 时间:2026年07月08日 来源:IEEE Access 4.2

编辑推荐:

  摘要:多目标高效全局优化(Multi-Objective Efficient Global Optimization, MOEGO)作为单目标高效全局优化(Effective Global Optimization, EGO)算法在多目标问题上的扩展,是最受关

  
摘要:多目标高效全局优化(Multi-Objective Efficient Global Optimization, MOEGO)作为单目标高效全局优化(Effective Global Optimization, EGO)算法在多目标问题上的扩展,是最受关注的基于代理模型(surrogate model)的多目标优化算法之一,其效率主要取决于所采用的多目标期望改进(Expected Improvement, EI)准则。基于期望改进矩阵(Expected Improvement Matrix, EIM)的准则相比其他准则计算代价低且效率高,其假设未测试点各目标的预测值服从(-∞,+∞)上的正态分布。然而在许多工程应用中可获得目标函数取值范围的先验知识(prior knowledge),如已知或估计的目标边界或设计者偏好的感兴趣区域(Region of Interest, ROI),而现有EIM准则未利用此类先验知识。为融合目标范围先验知识,研究人员提出截断期望改进矩阵(Truncated Expected Improvement Matrix, TEIM)加点准则,并将其分别嵌入MOEGO以利用已知目标下界或设计者偏好信息。对比研究表明,所提MOEGO方法通过利用目标先验知识可在收敛性与多样性上获得更优解,或在感兴趣区域内获得符合偏好的解;将偏好驱动的TEIM-MOEGO与修正Parsec翼型生成方法及流场求解器集成,建立了偏好驱动的翼型气动外形优化方法,应用于升阻比最大化与阻力系数最小化双目标问题,验证了所提方法解决实际工程问题的有效性。
《基于截断期望改进矩阵(TEIM)加点准则的多目标高效全局优化方法——论文解读》
一、研究背景与意义
昂贵黑箱多目标优化问题(如叶轮机械叶片造型、气动外形设计)需借助基于代理模型(surrogate model,如Kriging/Gaussian Process高斯过程模型)的多目标高效全局优化(Multi-Objective Efficient Global Optimization, MOEGO,亦称多目标贝叶斯优化)以尽量少的真实函数评估次数获取近似Pareto前沿(Pareto Front, PF)。传统MOEGO常用的基于期望改进矩阵(Expected Improvement Matrix, EIM)的加点(infill)准则假定Kriging预测目标值服从全支撑正态分布N(μ,σ2),未考虑工程中常有的目标函数取值范围先验知识——如效率必在[0,1]内、参数标定残差下界为0、或决策者只对目标空间中某子区间(Region of Interest, ROI)感兴趣。忽略该信息导致采样浪费于无关区域。本文发表于《IEEE Access》,针对此缺陷提出截断期望改进(Truncated Expected Improvement, TEI)及截断期望改进矩阵(Truncated Expected Improvement Matrix, TEIM)加点准则,将目标先验边界或偏好区间引入EI计算,开发两种MOEGO变体分别用于全PF近似(利用已知下界)和偏好区间导向搜索,并通过数值算例与翼型优化验证有效性。
二、关键技术方法
研究人员采用Ordinary Kriging(零阶多项式趋势+Gaussian相关函数)为各目标建代理模型;定义截断正态分布(truncated normal distribution)下目标预测的条件概率密度与累积分布函数,推导单目标截断期望改进(Truncated Expected Improvement, TEI)的闭式解——当Kriging预测均值?i落入先验区间[ai,bi]时计算改进期望并乘归一化因子Z(A,B)=1/[Φ((b-?)/?)-Φ((a-?)/?)],否则TEI=0;由此构造k×m维TEIM,元素TEIij(x|ai,bi)衡量候选点相对第j个非支配解(Non-Dominated Solution, NDS)在第i个目标上的截断期望改进;采用maximin距离算子组装TEIM得标量加点函数TEIMm(x|A,B),对预测落于超盒(hyperbox)[A,B]内取正值、外为负惩罚引导全局寻优。两种MOEGO框架:(1)已知下界型——A=已知下界LB,B=(+∞,…,+∞),NDS取自全体样本非支配集;(2)偏好区间型——仅对某一目标指定偏好区间[lb,ub],A=(lb,-∞,…),B=(ub,+∞,…),NDS仅取满足f1≥lb的ROI可行非支配解。初始拉丁超立方抽样(Latin Hypercube Sampling, LHS),加点通过遗传算法(Genetic Algorithm, GA)极大化TEIMm,迭代至评估次数上限。数值实验在PlatEMO平台以ZDT/LZ/DTLZ系列测试问题对比EIMm与ParEGO;工程案例采用修正Parsec参数化(11设计变量)生成翼型,XFOIL(Re=2.5×10?,Ma=0.417,α=0°)计算升力系数CL、阻力系数CD,双目标为min[-CL/CD, CD]。
三、研究结果
SECTION II. Background and Terminology
回顾连续盒约束多目标最小化问题定义、Ordinary Kriging预测均值?(x)与方差s2(x)公式、MOEGO标准流程及EIM定义——EIM元素EIij(x)=(fij-?i)Φ((fij-?i)/si)+siφ((fij-?i)/si),maximin EIMm(x)=minj=1..kmaxi=1..mEIij(x)。
SECTION III. Truncated Expected Improvement Matrix-Based Criterion
阐述截断正态分布PDF/CDF公式;推导辅助H函数:H(μ,σ,a,b)=(a-μ)Φ((b-μ)/σ)+σφ((b-μ)/σ);给出TEI闭式——若A≤?≤B则TEI(x|A,B)=Z(A,B)·{ (ymin-?)[Φ((ymin-?)/?)-Φ((A-?)/?)]+?[φ((ymin-?)/?)-φ((A-?)/?)] },否则TEI=0;证明[A,B]=(-∞,+∞)时退化为标准EI。构建TEIM矩阵及maximin TEIMm,引入负乘积惩罚项使超盒外取值为负以利GA寻优。说明TEIMm在ZDT1上不同[A,B]设置下的等值线特征。给出两种MOEGO伪代码:Algorithm 1(已知下界,UB=(+∞)m,用全NDS)与Algorithm 2(区间偏好,仅目标1设[lb,ub],NDS筛选f1≥lb)。
SECTION IV. Comparative Studies
(1)全PF近似对比:TEIMm(已知真PF各目标最小值作下界LB)vs EIMmvs ParEGO,ZDT1-3/LZ08-F1~F4/DTLZ2/DTLZ5/DTLZ7(2目标最大评估200次,3目标300次,初样11n-1,n=6,30次独立运行)。以归一化超体积(Hypervolume, HV↑)与反向世代距离(Inverted Generational Distance, IGD↓)度量。统计检验显示TEIMm在多数问题上HV显著更高、IGD显著更低(除ZDT2上ParEGO略优),PF近似收敛性与散布度优于对比算法,HV收敛曲线上升更快。(2)偏好区间引导对比:设定f1偏好区间[0.15,0.2]/[0.4,0.5]/[0.8,0.95],最大评估120(2目标)/150(3目标),对比EIMm、ParEGO、TEIMm-all NDSs、TEIMm-partial NDSs(仅ROI可行NDS)。TEIMm-partial NDSs在多数测试问题IGD最优或等价于TEIMm-all NDSs且明显优于EIMm/ParEGO,能成功将非支配解聚焦至指定偏好区间,且随区间移动相应偏移搜索焦点;EIMm与ParEGO因旨在全PF近似而在ROI内散布稀疏。证实区间偏好表述+ROI-NDS筛选的有效性。
SECTION V. Prior Preference-Inspired Airfoil Shape Optimization
集成TEIMm-偏好MOEGO + 修正Parsec翼型生成(11变量,表列范围) + XFOIL流求解,双目标min[-CL/CD, CD],44初样+30加点,三次独立运行不同偏好区间。所得NDS均落入指定CL/CD—CD偏好区间且优于初样,代表性优化翼型CL/CD≈150, CD≈0.00457,几何与压力分布合理,证实方法可引导至符合工程设计偏好的气动外形。
SECTION VI. Conclusion(译)
本文提出截断期望改进矩阵(Truncated Expected Improvement Matrix, TEIM)加点准则以利用目标范围先验知识。基于此开发了分别利用已知目标下界和决策者偏好的两种MOEGO方法。对比研究表明所提MOEGO能利用先验知识获得收敛性与多样性更优的解或在偏好区间内获得解。将偏好驱动TEIM-MOEGO与修正Parsec翼型生成方法及流场求解器集成,建立了偏好驱动翼型气动外形优化方法并应用于升阻比最大化与阻力最小化双目标问题,验证了方法解决实际工程问题的有效性。未来拟将该方法拓展至真实叶轮机械优化问题。
四、讨论部分总结
研究人员指出:(1)方法效果依赖先验边界/区间合理性——过严或不一致边界致搜索偏向不可达区降低效率,过松则退化为标准EI,未来拟做边界误设敏感性分析;(2)TEIM具闭式解析式,计算廉价,主要开销仍在昂贵目标函数真实评估,不显著增加MOEGO负担。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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