Личный кабинет
Подробное описание документа
Горбунов С. М.
Эволюционный алгоритм многокритериальной оптимизации с суррогатными моделями машинного обучения / Горбунов С. М., Становов В. В. // Вестник МГТУ им. Н. Э. Баумана. Сер. Приборостроение. - 2025. - № 2. -
Скачать документ
Повышена эффективность эволюционных алгоритмов решения дорогостоящих многокритериальных задач оптимизации путем внедрения эффективных регрессионных моделей машинного обучения, аппроксимирующих целевые функции, для ускорения сходимости к истинному фронту Парето при ограниченном числе вычислений критериев (так называемый суррогатный подход). За основу разработанного метода многокритериальной оптимизации с суррогатным подходом взят эволюционный алгоритм MOEA/D. В качестве суррогатных моделей рассмотрены метод регрессионного анализа, основанный на гауссовых процессах, — кригинг (KRG), и метод опорных векторов (SVM), предназначенный для решения задач классификации и регрессии. Показано, что модифицированный эволюционный алгоритм многокритериальной оптимизации MOEA/D демонстрирует сравнимые или лучшие результаты на всех тестовых задачах международного соревнования алгоритмов многокритериальной оптимизации. Сравнение эволюционного алгоритма MOEA/D с другими участниками соревнования не проводилось, в частности, из-за уменьшенного вычислительного ресурса. Предложенный подход с кригингом показал лучшие средние результаты по метрике IGD, которая предназначена для оценки качества работы алгоритмов многокритериальной оптимизации. Разработанный подход с кригингом также показывает более разнообразные решения по сравнению с методами опорных векторов и алгоритмом MOEA/D Работа выполнена при поддержке Минобрнауки России в рамках государственного задания (проект № FEFE-2023-0004) Просьба ссылаться на эту статью следующим образом: Горбунов С.М., Становов В.В. Эволюционный алгоритм многокритериальной оптимизации с суррогатными моделями машинного обучения. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение, 2025, № 2 (151), с. 48–62. EDN: TCDOWZ
Статья опубликована в следующих изданиях
№ 2. - 2025.
