基于改进值驱动自适应全局和局部搜索的注意力增强径向基函数辅助约束多目标优化
《Swarm and Evolutionary Computation》:Attention-enhanced RBF-assisted constrained multi-objective optimization via improvement value-driven adaptive global and local search
【字体:
大
中
小
】
时间:2026年08月29日
来源:Swarm and Evolutionary Computation 9.6
编辑推荐:
# 注意力增强的径向基函数辅助约束多目标优化算法
## 摘要
辅助替代模型的约束多目标进化算法(SACMOEAs)在实际场景中展现了良好的应用前景,然而现有的大多数SACMOEAs局限于替代模型与多目标进化算法之间的组合或协作方式,忽视了对替代模型内部架构的改进以及进化框
# 注意力增强的径向基函数辅助约束多目标优化算法
## 摘要
辅助替代模型的约束多目标进化算法(SACMOEAs)在实际场景中展现了良好的应用前景,然而现有的大多数SACMOEAs局限于替代模型与多目标进化算法之间的组合或协作方式,忽视了对替代模型内部架构的改进以及进化框架内变异参数的自适应精调。因此,本文提出了一种注意力增强的RBF辅助约束多目标优化算法,其中设计了改进值驱动的自适应全局与局部搜索框架(IVAGLS)。具体而言,受极坐标系构建机制的启发,将个体间的注意力信息(以角度值反映)与欧几里得距离信息同时用于构造相应的基函数,从而增强RBF模型对复杂地形的适应性。此外,全局搜索阶段与局部搜索阶段依次进行,其中两阶段中聚合切比雪夫函数的改进值被用于自适应调整变异参数。随后,在最佳候选个体的选择中,交替比较约束违反值与TE值以确定最佳个体。为获取精确后代,设计了一种周期性机制,其中采用两种不同的获取函数来确定具有多样化潜力的优秀个体。因此,IVAGLS在顺序全局与局部进化框架内实现了参数与选择机制的自适应调整,从而极大地增强了对复杂问题的适应性。两个基准测试套件上的系统性实验结果表明,IVAGLS在求解昂贵的多目标约束优化问题上具有竞争力。
## 引言
实际工程优化问题通常包含多个相互冲突的目标和若干约束[1],例如机器人夹爪设计问题[2]、制造系统中的多技能资源约束项目调度问题[3]以及多层设施布局问题[4]。改善一个目标往往会导致其他目标的恶化,因此需要追求帕累托最优解。不失一般性,这些问题可以表示为约束多目标优化问题(CMOPs),如下所示:
$$\text{Minimize } F(x) = (f_1(x), \ldots, f_m(x))^T$$
$$\text{subject to } x \in \Omega$$
$$g_j(x) \leq 0, \quad j = 1, \ldots, c$$
其中 $x = (x_1, \ldots, x_n)^T$ 是 $n$ 维决策向量,$\Omega \subseteq \mathbb{R}^n$ 定义了决策空间。$F$ 由 $m$ 个相互冲突的目标函数构成,$f_i(x)$ 是第 $i$ 个目标函数。$g_j(x) \leq 0$ 是第 $j$ 个不等式约束。需要注意的是,等式约束可以通过松弛技术[5]转化为两个不等式约束。因此,本研究仅讨论不等式约束。
为处理CMOPs中的复杂约束,研究者开发了不同的约束处理技术(CHTs)。第一类是惩罚函数法,主要通过将惩罚因子纳入目标函数来考虑个体约束违反的影响[6],包括动态惩罚法[7]和静态惩罚法[8]。通常,惩罚因子是一个依赖于问题的参数,这意味着该方法在求解不同问题时泛化能力不稳定。第二种方法将目标函数与约束分离,利用不同的搜索策略分别处理不可行解和可行解,例如约束支配原理(CDP)[9]。在CDP中,可行解始终优于不可行解,这使算法具备了快速定位可行区域的能力,但也容易导致算法快速陷入局部子可行区域。为缓解定位可行区域时的局部性,ε-约束处理法[10]被设计用于松弛可行区域,以强调对可行区域邻域内的搜索。第三类是多目标优化方法,将约束视为额外的优化目标进行处理[11]。最后一类是混合形式,结合多种CHTs以增强优化性能。为继承定位可行区域的能力,本文设计了一种改进的CDP,充分考虑了不可行解的多样性,用于处理CMOPs中的约束。
在某些工程领域,许多问题通常以计算成本高昂的特征为标志,其目标函数或约束需要大量的时间或资源,以及昂贵的函数评估(FEs)。这类问题通常被称为昂贵的多目标优化问题(EMOPs),对于此类问题,在可承受的设
因此,所提出的周期性机制能够实现对具有良好目标改进潜力和约束满足潜力的多样化个体的选择,从而有效增强了算法的整体全局探索能力。(4)在两个基准测试集上的系统性实验结果表明,IVAGLS在求解昂贵的多目标约束优化问题方面具有较强的竞争力。章节摘要文献综述本文旨在求解ECMOPs,广泛使用的SACMOEAs遵循以下算法步骤。首先,通过拉丁超立方采样等采样方法生成初始种群。随后,基于初始种群构建初始代理模型。此后,开始通过MOEA更新种群的循环。在循环内,MOEA持续被用于搜索问题的最优解。当前的代理模型有助于——IVAGLS的主要框架所提出的IVAGLS算法的总体流程图如图1所示。作为一种新颖的自适应代理辅助进化优化框架,IVAGLS由四个核心且相互依存的组成部分构成,包括注意力增强的RBF(AeRBF)代理模型、序贯全局与局部进化机制(SGLM)、基于改进值的参数自适应(IVPA)策略以及自适应种群更新模块。详细的理论推导、实现原理——测试问题为探究算法在计算成本约束下对具有复杂适应度函数和高计算成本的CMOPs的有效性,选取了来自三个经典基准测试集(MW[61]、C-DTLZ[54]、DC-DTLZ[62])的24个CMOPs作为测试问题。MW测试集展示了实际CMOPs的重要特征,包括相对较小的可行域比例、足够程度的非线性约束以及多重约束。C-DTLZ和DC-DTLZ测试问题涵盖——结论我们提出了一种注意力增强的RBF辅助约束多目标优化算法,设计了改进值驱动的自适应全局与局部搜索框架(IVAGLS),以解决现有研究在改进代理模型内部架构和进化框架内变异参数自适应优化方面的不足。具体而言,通过将个体间的注意力信息(由角度值表示)与欧几里得距离相结合——CRediT作者贡献声明欧阳鸿超:概念化、方法论、验证、形式化分析、撰写——初稿、撰写——审阅与编辑。杨赞:概念化、方法论、软件、验证、形式化分析、撰写——初稿、撰写——审阅与编辑、资金获取。刘森海:指导、撰写——初稿、撰写——审阅与编辑。黄慧:指导、撰写——初稿、撰写——审阅与编辑。余显忠:指导、撰写——初稿、撰写——审阅与编辑。利益冲突声明作者声明,他们没有已知的可能影响本文所述工作的竞争性财务利益或个人关系。致谢本研究受国家自然科学基金[批准号52465029, 52475260]、江西省甘博人才支持计划:科技创新人才(培养型)[批准号gpjc20260138]、江西省自然科学基金[批准号20252BAC200632]、江西省重点研发计划[批准号20243BBG71013]、南昌大学青年人才培育创新基金[批准号PYQN20230080]资助。欧阳鸿超|杨赞|刘森海|黄慧|余显忠|熊伟|钟成平江西省轻型合金重点实验室,南昌大学先进制造学院,南昌,330031,中国
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