昂贵多目标优化中的代理辅助粒子群优化与帕累托主动学习

本文主要探讨了"基于代理的粒子群优化算法(Particle Swarm Optimization, PSO)在昂贵多目标优化问题中的应用，特别是在面对计算成本高昂的目标函数时。研究人员Zhiming Lv、Linqing Wang、Zhongyang Han和Jun Zhao（IEEE会员）以及Wei Wang（IEEE高级会员）提出了一个创新的方法来提高PSO的效率和解决方案质量。 首先，传统PSO在多目标优化中往往需要大量的目标函数评估来寻找Pareto最优解，这在处理计算密集型问题时会导致显著的时间消耗。为了解决这个问题，作者提出了一种代理辅助的PSO方法，其核心在于利用代理模型来降低实际计算的负担。在物理空间（即真实目标函数），PSO作为优化器运行，并将优化结果用于构建代理模型。这些模型在虚拟空间中替代了原始的昂贵函数，使PSO更像是一个采样器，用来生成潜在的解决方案。 为了进一步提升候选解的质量，文中引入了一种基于模拟进化的混合变异采样策略。这种方法结合了代理模型的优势，通过模拟环境中的进化机制，能够动态地调整PSO中的粒子行为，使其在虚拟空间中进行更有效的搜索。通过这种方式，算法可以在减少计算成本的同时，提高找到接近或包含Pareto前沿的解的概率。 具体来说，该算法的工作流程可能包括以下几个步骤： 1. 初始粒子群在物理空间中生成，执行原始PSO算法。 2. 在每个迭代中，粒子根据实际目标函数计算适应度，但只对部分粒子进行真实目标函数的评估，其余则使用代理模型。 3. 代理模型通过历史数据和机器学习技术不断更新和精确，以更好地模拟真实目标函数的行为。 4. 基于模拟进化的混合变异采样决定粒子的移动方向和速度，以增加探索性和多样性。 5. 结合物理空间和虚拟空间的结果，更新粒子的位置和优化过程。 这种代理辅助的PSO算法与Pareto主动学习相结合，旨在解决在昂贵多目标优化问题中的效率挑战，为工程实践中的大规模优化提供了一种有效且经济的方法。通过优化计算负载和提高搜索效率，它有望在诸如工程设计、机器学习超参数调优等复杂问题中展现其价值。