進化計算中基於分類的預處理代理模型

問題提出

代理模型的構造較複雜，作者希望構造一個更為簡單的廉價（cheap）的代理模型來評估子集的質量。

因此作者提出了一個叫做CPS（classification based preselection）演算法。

預選擇（preselection）

在進化演算法中，預選擇是一種分類問題。準確地說，是將子代解作為外部資料集進行二分類，分為promising和unpromissing的解。

CPS的主要步驟

① 根據父代解更新外部種群，給外部種群加上標籤
②構造基於KNN的預分類器
③根據構造的分類器，預測子代候選解標籤（代理模型的核心）
④根據預測標籤選擇子代解

資料準備 （Data Preparation）

初始化：演算法一開始先建立一個外部種群，置空。外部種群隨著迭代而更新（同時外部種群可以當做archive，最終的大小 小於5*N）

迭代過程：真實評價當前父代每個每個個體，加入外部種群。對外部種群非支配排序。P+包含了外部種群前一半大小的作為非支配解 ，標記為+1。P-包含了外部種群後一半大小的作為被支配解，標記為-1。

分類模型 （Classification Model）


K是一個KNN的K，為一個奇數。Xi是第k近的特徵向量，C是外部種群特徵向量標籤。

當新產生一個子代解時，我們，可以在不做真實評價時，利用這種分類模型給子代解打上標籤。

子代選擇（ Offspring Selection）

每一個父代解將會生成M個子代解，在這M個子代解中，只評價其中的一部分，將會大大降低計算消耗。

策略嵌入演算法流程圖

實驗結果（IGD評價）


參考文獻：Zhang J, Zhou A, Tang K, et al. Preselection via classification: A case study on evolutionary multiobjective optimization[J]. Information Sciences, 2018, 465: 388-403.
更多內容訪問omegaxyz.com
網站所有程式碼採用Apache 2.0授權
網站文章採用知識共享許可協議BY-NC-SA4.0授權
© 2018 • OmegaXYZ-版權所有 轉載請註明出處