基于集合代理的昂贵多目标进化优化框架

代理辅助进化算法（SAEAs）已成为解决计算成本昂贵的多目标优化问题（EMOPs）的热门选择，因为SAEAs中的代理模型能够很好地近似EMOPs，从而减少优化过程的时间成本。然而，随着EMOPs中决策变量数量的增加，代理模型的预测准确性会恶化，这不可避免地会降低SAEAs的性能。为了解决这个问题，本文提出了一种基于集合代理的框架来处理EMOPs。在该框架中，全球代理模型在整个搜索空间下进行训练，以探索全球区域，而多个代理子模型在不同的搜索子空间下进行训练，以利用子区域，从而提高预测的准确性和可靠性。此外，基于一组参考向量设计了一种新的填充采样标准，以选择有前景的样本用于模型训练。为了验证我们框架的通用性和有效性，嵌入了三种最先进的进化算法：非支配排序遗传算法III（NSGA-III）、基于分解的多目标进化算法与差分进化（MOEA/D-DE）和参考向量引导的进化算法（RVEA），显著提高了解决本文采用的大多数测试EMOPs的性能。当与一些竞争性的SAEAs在解决高达30个决策变量的EMOPs方面进行比较时，实验结果也验证了我们方法在大多数情况下的优势。