本书以小数据驱动的智能优化算法为主题，详细介绍了优化问题和代理辅助的智能优化算法基础知识，针对小数据驱动的多目标优化问题、组合优化问题、大规模连续优化问题、约束优化问题，在分析各类优化问题当前面临挑战的基础上，提出了相应的优化算法，并通过对比实验对算法进行了验证和分析，结果充分展示了算法的有效性。
样章试读
目录
- 目录
前言
第1章 小数据驱动的进化优化 1
1.1 小数据驱动的优化问题 1
1.1.1 优化问题定义与分类 1
1.1.2 小数据驱动的优化问题定义与挑战 6
1.2 小数据驱动的智能优化算法 7
1.3 智能优化算法 9
1.3.1 启发式算法 9
1.3.2 进化算法 11
1.4 代理模型 19
1.4.1 通用代理模型 19
1.4.2 专用代理模型 24
1.4.3 代理模型的性能指标 26
1.5 模型管理策略 27
1.5.1 基于世代的模型管理策略 28
1.5.2 基于个体的模型管理策略 29
1.5.3 基于保真度的模型管理策略 32
1.6 小数据驱动的大规模智能优化面临的挑战 32
第2章 自适应模型更新的双档超多目标进化优化算法 34
2.1 背景知识 34
2.1.1 小数据驱动的超多目标优化问题及多目标进化优化算法 34
2.1.2 代理辅助多目标进化优化算法 35
2.1.3 强影响点对代理模型的影响 37
2.2 基于自适应模型更新的超多目标进化优化算法 38
2.2.1 算法框架 38
2.2.2 Two_Arch2的双档选择机制 39
2.2.3 强影响点不敏感模型 40
2.2.4 自适应新样本采集策略 42
2.3 算法有效性验证与分析 45
2.3.1 实验设置 45
2.3.2 参数敏感性分析 46
2.3.3 消融实验 47
2.3.4 对比实验 49
2.3.5 讨论 52
2.4 本章小结 54
第3章 基于多精度降噪的代理辅助多目标优化算法 55
3.1 背景知识 55
3.1.1 带有噪声且昂贵的多目标组合优化问题 55
3.1.2 降噪技术 57
3.2 基于多精度降噪模型的多目标优化 58
3.2.1 基本框架 58
3.2.2 搜索策略 59
3.2.3 多精度代理模型构建 62
3.2.4 超体积触发的多精度调整策略 63
3.3 算法有效性验证与分析 65
3.3.1 实验设置 65
3.3.2 算法分析 66
3.3.3 对比实验 70
3.3.4 讨论 73
3.4 本章小结 74
第4章 基于内外层解耦的代理辅助双层组合优化算法 75
4.1 背景知识 75
4.1.1 基于体素的软体机器人设计问题 76
4.1.2 基于进化强化学习的协同优化算法 77
4.2 基于内外层解耦的双层组合优化 78
4.2.1 算法框架 78
4.2.2 形态搜索策略 79
4.2.3 基于指令继承的解耦模型构建 81
4.2.4 代理模型误差评估方法 86
4.3 算法有效性验证与分析 87
4.3.1 实验设置 87
4.3.2 算法分析 88
4.3.3 对比实验 92
4.3.4 讨论 102
4.4 本章小结 103
第5章 基于随机子空间构建的代理辅助组合优化算法 104
5.1 背景知识 104
5.1.1 特征选择问题 104
5.1.2 特征选择方法 105
5.2 基于随机子空间构建的代理辅助组合优化 107
5.2.1 基本框架 107
5.2.2 考虑约束边界的采样方法 109
5.2.3 随机分组与并行优化 112
5.2.4 最优子集选择策略 116
5.3 算法有效性验证与分析 117
5.3.1 实验设置 117
5.3.2 算法分析 118
5.3.3 对比实验 123
5.4 本章小结 126
第6章 基于少量权重向量分解的代理辅助大规模多目标组合优化算法 128
6.1 背景知识 128
6.1.1 昂贵的大规模多目标组合优化问题 128
6.1.2 变邻域搜索 130
6.1.3 Q-learning 131
6.2 基于少量权重向量分解的大规模多目标组合优化 132
6.2.1 基于Q-learning的搜索资源分配 134
6.2.2 基于全局和局部代理模型的解的质量预测 135
6.2.3 代理辅助的变邻域搜索 136
6.3 算法有效性验证与分析 139
6.3.1 问题实例与参数设置 139
6.3.2 对比实验 140
6.3.3 不同权重向量数量下的SANS性能比较 144
6.3.4 基于Q-learning的搜索资源分配的有效性验证 146
6.3.5 代理辅助的变邻域搜索的有效性验证 147
6.4 本章小结 148
第7章 基于异构子空间自适应搜索的代理辅助大规模单目标优化算法 150
7.1 背景知识 150
7.1.1 昂贵的大规模单目标优化问题的定义与挑战 150
7.1.2 相关技术 152
7.2 基于异构子空间搜索的大规模单目标优化 154
7.2.1 子空间构建 156
7.2.2 自适应的搜索切换策略 160
7.3 算法有效性验证与分析 162
7.3.1 实验设置 162
7.3.2 不同子空间的性能对比 163
7.3.3 自适应切换策略的有效性验证 165
7.3.4 对比实验 167
7.4 本章小结 170
第8章 基于低维近似聚合函数的代理辅助大规模多目标优化算法 172
8.1 背景知识 172
8.1.1 昂贵的大规模多目标优化 173
8.1.2 基于分解的多目标差分进化算法：MOEA/D-DE 174
8.2 基于低维近似聚合函数的大规模多目标优化 176
8.2.1 近似聚合函数的低维代理模型 178
8.2.2 两阶段建模策略 179
8.2.3 收敛控制策略 180
8.3 算法有效性验证与分析 181
8.3.1 实验设置 182
8.3.2 参数敏感性分析 182
8.3.3 低维近似聚合函数的代理模型的有效性实验 184
8.3.4 两阶段建模策略的有效性实验 185
8.3.5 收敛控制策略的有效性实验 186
8.3.6 对比实验 188
8.4 本章小结 196
第9章 基于数据选择的代理辅助约束单目标优化算法 197
9.1 背景知识 197
9.1.1 小数据驱动的约束单目标优化问题及约束处理技术 197
9.1.2 代理辅助的约束进化算法 199
9.1.3 约束复合差分进化 200
9.2 基于数据选择的约束单目标优化 201
9.2.1 算法框架 201
9.2.2 自适应填充采样策略 202
9.2.3 自适应搜索强度调整策略 203
9.2.4 自适应数据选择策略 204
9.2.5 基于DSI框架的代理辅助约束优化 206
9.3 算法有效性验证与分析 207
9.3.1 实验设置 207
9.3.2 参数敏感性分析 209
9.3.3 消融实验 210
9.3.4 对比实验 215
9.4 本章小结 221
第10章 基于自适应搜索偏好的代理辅助约束多目标优化算法 222
10.1 背景知识 222
10.1.1 小数据驱动的约束多目标优化问题及约束处理技术 222
10.1.2 代理辅助约束多目标进化算法 223
10.1.3 协同进化约束多目标优化框架 224
10.2 基于自适应搜索偏好的约束多目标优化 225
10.2.1 算法框架 225
10.2.2 自适应切换策略 226
10.2.3 约束代理辅助进化算法 228
10.3 算法有效性验证与分析 231
10.3.1 实验设置 231
10.3.2 参数敏感性分析 232
10.3.3 消融实验 234
10.3.4 对比实验 238
10.4 本章小结 244
参考文献 245
京公网安备 11010102004214号