576.
利用计算成本低廉的代理模型替换昂贵目标函数评价;以辅助进化算法对昂贵黑盒多目标优化问题的求解;近年来受到广泛关注。模型的准确度在代理模型辅助的多目标进化算法(MOEA)中发挥着重要作用;特别是当目标函数数量较多时;不准确的模型很容易引导算法朝错误的方向搜索;但目标函数评价昂贵;很难获得充裕的样本训练高质量的代理模型。因此;提出一种两阶段填充采样的半监督昂贵多目标优化算法(TISS-EMOA)。该算法引入半监督技术;选择部分无标签数据扩充训练数据集;从而提升模型的准确性;同时;提出两阶段选点的填充采样准则;以期在评价次数有限的情况下获得昂贵多目标优化问题的较优解集。为验证TISS-EMOA的有效性;在DTLZ1~DTLZ7基准测试问题以及车辆正面结构优化设计上进行了实验。与当前具有代表性的5种代理模型辅助进化多目标算法的对比结果显示;TISS-EMOA在28个基准测试问题中获得了25、28、28、24、23个更好或相当的改进的反转世代近距离(IGD
+)。… …
相似文献