帕累托集预测辅助的双层双目标优化

《ACM Transactions on Evolutionary Learning and Optimization》：Pareto Set Prediction Assisted Bilevel Bi-objective Optimization

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

双层优化问题包含一个上层优化任务，以及作为约束条件的下层优化任务。虽然已有大量研究致力于使用进化计算方法解决两层均具有单一目标的双层优化问题，但针对两层均存在多个目标的双层优化多目标问题（BLMOP），相关研究相对较少。对于高度非线性或黑箱型的BLMOP，现有的进化技术通常采用嵌套搜索方法，而这种方法的原始形式需要大量的函数评估次数。在本研究中，我们提出通过直接预测候选上层解对应的下层帕累托集来减少这一开销，从而无需从头开始进行优化。对于BLMOP而言，此类预测极具挑战性，因为它涉及一对一到多的映射关系。为应对这一挑战，我们利用辅助变量补充数据集，并构建神经网络，进而训练该网络以有意义的方式映射这些变量。之后，我们将这种初始化方法嵌入到一种名为“帕累托集预测辅助的进化双层多目标优化”（PSP-BLEMO）的双层优化框架中。通过与其他现有最先进方法的系统对比实验，证明了该方法在解决方案质量及计算成本方面的优势。实验表明，该方法在多种问题上都具有竞争力，包括那些具有欺骗性问题的场景。

AI总结

AI生成的总结（实验性内容）

此总结是通过自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、判断文章相关性，以及便于相关领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的核心总结内容。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处，可以对此总结的准确性、清晰度及实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言版总结，您需要拥有高级访问权限。