使用无监督神经网络解决大规模多目标优化问题

"MOEAPSL大组会.ppt 是一篇关于使用多目标进化算法（MOEA）结合无监督神经网络解决大规模稀疏多目标优化问题的报告。报告由Ye Tian, Chang Lu, Xingyi Zhang, Kay Chen Tan和Yaochu Jin等人撰写，主要介绍了MOEA/PSL算法及其在处理具有稀疏最优解的大规模优化问题中的应用。" 在大规模多目标优化问题（LMOPs）中，决策变量的数量非常高，但并非所有变量都对目标函数有直接影响，这种现象被称为稀疏性。由于高维度带来的搜索空间巨大，使得这类问题的求解变得极其困难，传统算法常常因为评价预算的限制无法有效逼近最优解。为了解决这一挑战，研究者提出了将原始问题分解或转化为小规模问题的方法。 MOEA/PSL算法是针对这个问题的一种创新解决方案，它利用了两种无监督神经网络，即受限玻尔兹曼机（RBM）和去噪自动编码器（DAE），来学习决策变量的稀疏分布和紧凑表示。通过学习到的Pareto最优子空间，算法可以在一个较小的子空间内执行遗传操作，然后使用神经网络将得到的子代解映射回原始的高维搜索空间，从而更有效地搜索Pareto前沿。 该算法的核心亮点在于，它专门设计用于处理Pareto最优解为稀疏的情况，即大多数决策变量为零的LMOP问题。RBM和DAE的组合帮助学习决策变量的非线性和稀疏特性，这使得算法能够在解决大规模优化问题时，避免在无关维度上浪费计算资源，提高了算法的效率和解决方案的质量。 实验结果部分可能展示了MOEA/PSL算法与现有方法的对比，证明了其在处理大规模稀疏多目标优化问题上的优势。通过具体的实例和性能指标，如收敛速度、解的均匀性和多样性等，报告可能详细阐述了算法的性能表现和实际应用价值。 总结起来，MOEAPSL大组会.ppt提供了一个深度学习辅助的进化算法框架，旨在高效解决具有稀疏最优解的大规模多目标优化问题，对于理解和改进多目标优化领域的算法有着重要的参考价值。