多目標分布估計算法研究.pdf

1、高效求解最優(yōu)化問題在眾多領(lǐng)域中都起著至關(guān)重要的作用，機器學習便是其中之一。動態(tài)多目標問題由于優(yōu)化目標和約束條件會隨著時間發(fā)生變化，更加難以利用解析方法進行求解，而常見的進化動態(tài)多目標優(yōu)化算法存在著難以捕獲變量之間關(guān)系等問題，其性能仍有待進一步提高。
　　不同于基于個體的進化策略，分布估計算法將基于群體的進化策略與概率統(tǒng)計結(jié)合，從而使得分布估計算法能夠很好地處理復(fù)雜的優(yōu)化問題。在這篇論文中我們提出了一種融合了Generating-F

2、iltering策略與趨勢預(yù)測機制的分布估計算法，TPM-EDA(Trend Prediction Model based EDA)，用于解決動態(tài)多目標優(yōu)化問題。TPM-EDA利用基于非參密度估計的重要性采樣方法來進行優(yōu)勢個體的選擇，從而實現(xiàn)在搜尋最優(yōu)解的過程中，從時空兩個方面保持探索和開發(fā)的平衡(Exploration-Exploitation tradeoff)。與此同時，為了能夠更加快速地尋找Pareto前沿面，TPM-EDA提出

3、了一種新穎的趨勢預(yù)測模型，該模型利用優(yōu)勢個體的歷史信息來預(yù)測Pareto最優(yōu)解的潛在區(qū)域，由此加快了搜尋變化的Pareto前沿面的速度。
　　除此之外，本文在TPM-EDA的基礎(chǔ)上引入了蒙特卡羅樹搜索，將UCT與TPM-EDA相結(jié)合而設(shè)計出新的EDA算法UI-EDA(UCT and Inertia based EDA)。UI-EDA具有更強的在大規(guī)模解空間搜索的能力，UCT算法的使用使得算法無需進行耗時的非支配排序操作，而是借用蒙