帕累托集预测辅助的双层双目标优化

双层优化问题包含一个上层优化任务和一个作为约束的下层优化任务。虽然针对使用进化计算解决双层问题（在两个层次上都有单一目标）的文献已显著增加并且不断增长，但关于解决两个层次上多目标双层优化问题（BLMOP）的研究相对较少。对于高度非线性或黑箱的BLMOP，现有的进化技术通常采用嵌套搜索，这在其原始形式中需要大量的函数评估。在这项工作中，我们提议通过直接预测候选上层解决方案的下层帕累托集来减少这一开支，而不从头开始进行优化。这种预测对于BLMOP来说具有显著挑战性，因为它涉及一对多的映射。为了解决这一挑战，我们使用辅助变量补充数据集，并构建一个神经网络，从而可以以有意义的方式对变量进行映射。然后，我们将这一初始化嵌入到一个双层优化框架中，称为帕累托集预测辅助的进化双层多目标优化（PSP-BLEMO）。提供了一系列与现有最先进方法的系统实验，以证明其在解决方案质量和计算开销方面的益处。实验表明，所提方法在一系列问题中具有竞争力，包括欺骗性和非欺骗性问题。