缓解贝叶斯进化优化中的搜索偏差：多个异构目标
摘要：具有不同评估成本的多目标优化问题在现实世界中很常见。这种问题被称为具有异质目标的多目标优化问题(HE-MOPs)。然而，迄今为止，只有少数几项研究报道了如何解决HE-MOPs问题，其中大多数集中在一个快速目标和一个慢速目标的双目标问题上。在本研究中，我们旨在处理具有多个黑盒和异构目标的HE-MOPs问题。为此，我们使用多目标贝叶斯进化优化方法来处理HE-MOPs问题，通过利用HE-MOPs中便宜和昂贵目标的不同数据集来减轻因不同目标评估成本而造成的搜索偏差。为了充分利用两个不同的训练数据集，一个包含对所有目标评估的解决方案，另一个只包含对快速目标评估的解决方案，我们构建了两个独立的高斯过程模型。此外，我们建议使用一种新的获取函数来减轻对快速目标的搜索偏差，从而在收敛性和多样性之间实现平衡。通过在广泛使用的多/多目标基准问题上对其进行测试，我们证明了所提算法的有效性，假设其目标具有异构昂贵性。
作者：Xilu Wang, Yaochu Jin, Sebastian Schmitt, Markus Olhofer
论文ID：2208.12217
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2022-08-26