20、基于代理模型的多目标优化智能变异算子

基于代理模型的多目标优化智能变异算子

1. 引言

在解决复杂问题时，多目标优化问题（MOPs）一直是研究的热点。进化算法（EAs）作为一种元启发式算法，在解决多目标优化问题方面展现出了灵活性、适应性和良好的性能。

1.1 进化算法的优势

进化算法是基于种群的技术，它进行多维搜索，在一次执行中可以找到多个解决方案。其主要优势在于，即使在高度复杂的搜索空间中，也能够定位接近全局最优的解决方案。

1.2 进化算法的局限性

然而，对于许多现实世界的优化问题，为了找到一个次优解，目标函数的调用次数可能会很高。在许多科学和工程问题中，研究人员使用计算机模拟来替代昂贵的物理实验，以提高工程产品和设备的质量和性能。但当每次评估代表着高计算成本时，即使是这些元启发式算法，这些昂贵的问题仍然难以处理。

2. 代理模型与智能变异算子的提出

为了降低昂贵优化问题的计算成本，一些研究人员用计算成本较低的代理模型取代了真实的优化函数。本文提出了一种基于代理模型的新智能变异算子。

2.1 智能变异算子的设计

这个新的智能变异算子（SIVO）被设计用于多目标优化问题。它的设计原理基于代理模型，通过代理模型来近似真实的优化函数，从而减少计算成本。

2.2 智能变异算子的实现

该算子被纳入一个独立的搜索机制中以进行验证。具体实现步骤如下：
1. 初始化种群：随机生成一组初始解作为种群。
2. 构建代理模型：使用初始种群的数据构建代理模型。
3. 应用智能变异算子：在种群上应用智能变异算子，生成新的解。