第 22卷第 5期2023年 5月
Vol.22 No.5
May 2023
软件导刊
Software Guide
张峰，陈新中
（中国电子科技集团公司第二十八研究所，江苏南京 210007）
摘要：许多实际工程优化问题通常需要同时优化多个相互冲突的目标，并且目标函数的计算主要依赖十分耗时的
仿真实验，此类问题一般可称为昂贵多目标优化问题。代理辅助进化算法通过使用机器学习方法建立代理模型，并 辅助算法进行评估，因而使代理辅助进化算法成为解决此类问题的热门方法。根据问题规模大小将相关算法划分成
两类，描述每类问题特点，分类梳理相关算法，并说明每个算法的优缺点，以便人们能直观地了解连续昂贵多目标优
化问题研究进展，更好地开展后续研究工作。
关键词：多目标优化；昂贵多目标优化；代理辅助进化算法；代理模型；机器学习
DOI：10.11907/rjdk.221626开放科学（资源服务）标识码（OSID）：
中图分类号：TP18 文献标识码：A文章编号：1672-7800（2023）005-0248-05
Survey of Continuous Expensive Multiobjective Optimization Problems
ZHANG Feng， CHEN Xin-zhong
（The 28th Research Institute of China Electronics Technology Group Corporation， Nanjing 210007， China）
Abstract：Many practical engineering optimization problems usually involve optimizing multiple conflicting objectives at the same time， and the calculation of the objective function mainly relies on time-consuming simulation experiments， such problems can generally be called ex‐pensive multiobjective optimization problems. Surrogate-assisted evolutionary algorithms use machine learning methods to build surrogate mod‐els and assist algorithms for evaluation， which makes surrogate-assisted evolutionary algorithms a popular method to solve such problems. Ac‐cording to the scale of the problem， the relevant algorithms are divided into two categories， the characteristics of each type of problem are de‐scribed， the related algorithms are classified and sorted out， and the advantages and disadvantages of each algorithm are explained， so that people can intuitively understand the research progress of continuous expensive multiobjective optimization problems and better carry out fol‐low-up research work.
Key Words：multiobjective optimization； expensive multiobjective optimization； surrogate-assisted evolutionary algorithm； surrogate mod‐el； machine learning
0 引言
许多实际工程优化问题，通常涉及同时优化多个相互冲突的目标，此类问题可称为多目标优化问题（Multiobjec‐
tive Optimization Problem，MOP）［1-4］。在多目标优化问题基础上，存在一类特殊的问题，其目标函数很难使用公式进行简单计算，而是主要依赖大量耗时的仿真实验进行计算，因而导致优化的时间成本过于昂贵，此类问题可称为昂贵的多目标优化问题（Expensive Multiobjective Optimiza‐tion Problem，EMOP）［5］。
尽管在最近20年间，研究者提出大量多目标优化算法以高效地求解各类MOP，但由于多目标优化算法需要进行大量的目标函数评估才能达到理想的求解效果，EMOP 每次计算目标函数却比较耗时。另外在求解EMOP问题时，算法往往只能进行少量的目标函数评估，使得多目标优化算法难以高效地求解EMOP。
为了高效地求解EMOP，许多相关工作开始尝试在多目标优化算法框架基础上，使用机器学习建立代理模型来辅助算法进行评估。在此基础上，涌现出不少专门为高效求解EMOP而设计的代理辅助进化算法［6］。
目前很少有相关工作回顾该领域的最新技术，现有工作大多根据代理模型对代理辅助进化算法进行分类，通常将相关算法分为基于高斯过程的算法和基于非高斯过程
收稿日期：2022-06-13
作者简介：张峰（1993-），男，中国电子科技集团公司第二十八研究所助理工程师，研究方向为智能计算、机器学习和网络安全；陈新中（1964-），男，中国电子科技集团公司第二十八研究所研究员级高级工程师，研究方向为指挥自动化系统。
第 5 期张峰，陈新中：连续昂贵多目标优化问题综述
的算法。虽然不同代理模型的特性不一样，在预测不同类型问题的目标值时，预测质量存在一定差异，但都可以用来求解相关类型的问题。在基于代理模型种类的算法分类下，通常难以直观地了解不同类型问题的研究进展。本文按连续昂贵多目标优化问题的规模大小对相关算法进行分类梳理，说明每类问题的特点，分析每个算法的优缺点，以便人们能够直观地了解不同规模的连续昂贵多目标优化问题研究进展，方便后续开展研究工作，或者选择适合的算法求解相关问题。
1 相关基础知识
1.1 连续多目标优化问题定义
EMOP是在MOP的基础上，计算目标函数比较耗时的一类MOP问题。为了方便理解，本文主要介绍MOP。为了更具有普遍性，给出最小化连续MOP的数学定义如下：
F(x)=(f1(x)，f2(x)，...，f m(x))T
subject to x∈Ω（1）其中，Ω∈R n称为n维决策空间，x=(x1，x2，...，x n)T称为一组决策变量，F(x)：Ω→R m则表示需要优化的m个目标函数，R m为目标空间。下面给出一些关于MOP的相关定义：
定义1 假设x1，x2∈Ω，当且仅当∀i∈1，...，m和∃j∈1，...，m，都有f i(x1)≤f i(x2)和f j(x1)<f j(x2)成立，则称x1Pareto支配x2［7］。
定义2 假设存在解集P，非支配解集P
N
是所有不被P中的解Pareto支配的解集。
定义3 ∃x*∈Ω，若不存在一个解能够使Pareto支配x*，则称x*是Pareto的最优解。
定义4 在一个MOP中，所有Pareto的最优解组成Pareto 最优解集（Pareto set， PS）。
定义5 Pareto最优解集对应的目标向量称为Pareto前沿（Pareto Front，PF）。
1.2 代理模型
一般来说，许多机器学习方法，例如高斯过程［8-10］、多任务高斯过程［11-12］、神经网络［13-16
］等，都可用来作为代理模型。算法通常都会从已评估过的解中挑选部分解来训练代理模型。
1.3 效用准则
在通常情况下，许多代理模型对候选解的目标值进行预测时，不仅会给出一个预测目标均值，而且会给出一个预测目标的方差。贝叶斯优化［17］中的效用准则不仅考虑到代理模型的预测目标值，而且考虑到模型预测的不确定性，可用来更好地评估候选解，这对于提升算法的优化性能有着重要意义。
常用的效用准则有EI（Expected Improvement）效用准则、LCB（Lower Confidence Bounder）效用准则和 UCB（Up‐per Confidence Bounder）效用准则。
1.4 评价指标
EMOP问题的评价指标［18］主要通过收敛性和多样性来体现。算法在优化EMOP后，会得到一组解集与解集对应的目标向量。收敛性是指解集对应的目标向量距离Pa‐reto Front的远近程度，多样性是指解集对应的目标向量覆盖Pareto Front的完整程度。
2 代理辅助进化算法简介
不同于多目标优化算法对产生的大量解进行目标函数评估，代理辅助进化算法在多目标优化算法框架基
础上，使用机器学习建立代理模型来辅助算法评估大量的候选解。候选解可以理解为不经过真实目标函数评估的，由代理模型评估过的中间解。算法最后挑选出少量最有价值的候选解（最佳候选解）进行目标函数评估。反复迭代以上流程，满足算法终止条件后，针对所有进行目标函数评估后的解集执行非支配操作，将得到的结果作为EMOP 的近似解集。代理辅助进化算法工作流程如图1所示。
首先，算法根据实际需要对相应参数进行初始化。接下来对算法进行采样，并对采样得到的解进行目标函数评估。然后，在训练代理模型过程中，算法根据设计的策略，从已评估过的解中挑选出部分解作为训练样本，以决策变量作为输入，根据算法设计的需要选择合适的目标作为输出，以训练代理模型。之后，算法将会产生大量候选解，并用代理模型进行评估。算法先产生候选父代，根据父代产生候选子代，使用代理模型评估候选子代中的每个候选解。许多算法通常都会结合贝叶斯优化中的效用准则以更好地评估候选解。上面的过程通常会反复迭代，满足终止条件后则进行下一步骤。最后，挑选最佳候选解主要是从代理模型评估过的大量候选解中，根据算法设计的选解策略，挑选出少量最有价值的候选解进行目标函数评估。反复以上流程，直到满足终止条件（通常指当前目标函数的评估次数达到最大允许值）则停止。
由于代理辅助进化算法的目标函数评估次数一般很少，算法通常对所有评估过的解进行取非支配操作，得到一组非支配解集，这组解集则作为EMOP的求解结果。
3 代理辅助进化算法分类
本文根据EMOP的规模大小，将相关算法分成处理小规模EMOP的代理辅助进化算法和处理中大规模EMOP的代理辅助进化算法。EMOP的规模大小主要由决策变量数决定，代理模型虽然对于不同类型问题的预测质量存在差异，但这并不意味着代理模型只适合求解某一类问题。3.1 处理小规模EMOP的代理辅助进化算法
一般称决策变量数较少的EMOP为小规模EMOP（如
·
·249
2023 年
软件导刊决策变量数小于10），通常求解此类问题的目标函数评估次数也较少（如目标函数评估总次数一般在300次以内）。在小规模EMOP 问题上，高斯过程作为代理模型会拥有比较高的预测质量，并且高斯过程不但可以提供预测目标均值，而且可以提供预测目标方差，能够结合贝叶斯优化的效用准则提升优化性能。因此，选择高斯过程作为代理模型来求解此类问题成为当前的一种流行方法。下面介绍一些主要用来求解小规模EMOP 的算法。
NSGA-II 虽然属于多目标优化算法，但在解决目标变
量数较少的EMOP 上有着良好效果，NSGA-II 也经常出现
在求解EMOP 的对比算法中［19］。NSGA-II 主要通过对当前种进行交叉变异产生子代，再通过非支配排序和计算拥挤距离来更新种，借此不断逼近EMOP 的Pareto Front 。
Knowles ［20］提出的ParEGO 主要使用一组均匀的权重
向量将EMOP 划分成多个单目标子问题，通过优化每个子
问题的最优解来近似得出一组EMOP 的最优解。ParEGO 实现过程简单，并对许多类型的EMOP 都能取得良好效
果，但ParEGO 在一次子问题优化过程中，更多地考虑优化一个子问题聚合函数本身，而不是优化整个EMOP 问题。此外，ParEGO 一次迭代只能产生一个最佳候选解，从而导致ParEGO 求解EMOP 的时间过长。
Ponweiser 等［21］提出的SMS-EGO 采用协方差矩阵自
适应进化策略优化一种超体积指标，以决定挑选哪个候选解进行评估，以此不断逼近EMOP 的真实Pareto Front 。
SMS-EGO 一次迭代同样只能产生一个最佳候选解，并且
随着EMOP 优化目标数的上升，超体积指标的计算会变得十分复杂，从而导致算法求解EMOP 的时间过长。因此，SMS-EGO 在求解优化目标数较少的EMOP 时能取得良好效果，而不适合用来求解优化目标数过多的EMOP 问题。
针对一次优化只能评估一个最佳候选解的缺点，在
MOEA/D-DE ［22］基础上，Zhang 等［23］提出MOEA/D-EGO 。MOEA/D-EGO 通过一组均匀的权重向量把EMOP 划分成
多个子问题，MOEA/D-EGO 通过同时优化全部子问题的最佳候选解，并将所有子问题聚类成多个簇，挑选出每个簇的最佳候选解来逼近EMOP 的Pareto Front 。MOEA/D-EGO 在一次优化中会得到多个最佳候选解，支持使用并行技术同时评估多个最佳候选解，能有效缩短算法求解EMOP 的时间。在优化子问题时，子问题的邻居间进行相互协作，有助于提升最佳候选解的质量。MOEA/D-EGO 在求解大多数EMOP 时都能取得比较理想的效果，但在一
些特殊问题上，算法效果欠佳，比如优化目标数超过3的EMOP 等。
针对目标数超过3的EMOP 优化，在RVEA ［24］基础上，
Chugh 等［25］提出了K-RVEA 。K-RVEA 采用一组自适应权重向量将一个EMOP 划分成多个子问题，K-RVEA 同时优化所有子问题的最佳候选解，并根据代理模型预测结果的
不确定性、权重向量分布情况和候选解分布情况，以权衡算法的收敛性和多样性。此外，K-RVEA 还提出一种挑选
部分解来训练代理模型的策略，该策略不仅能保证代理模型的预测精度，而且能对代理模型的训练时间进行限制。实验结果表明，K-RVRA 在优化目标数超过3的EMOP 问题上取得了理想效果。
同样的，针对目标数大于3的EMOP 优化，Pan 等［26］提出了CSEA 。Pan 等认为随着优化目标数的
增加，代理模型近似目标函数的计算成本将会变高，因此使用代理模型预测解之间的支配关系会比较适合。CSEA 最终采用神经网络建立代理模型，并使用代理模型预测候选解与参考解之间的支配关系。算法根据代理模型预测的不确定性和支配关系挑选候选解进行评估，最终不断逼近EMOP 的Pare‐to Front 。在求解优化目标数3及其以上的EMOP 时，CSEA 能够取得理想效果。
由于一次优化产生多个最佳候选解可以结合并行技术同时进行评估，从而显著减少求解EMOP 的时间，对于求解时间要求高的应用场景具有比较重要的意义。Lin
Fig. 1 Workflow of surrogate-assisted evolutionary algorithm
图1 代理辅助进化算法工作流程
··250
第 5 期张峰，陈新中：连续昂贵多目标优化问题综述
等［27］提出的MOBO/D首先通过一组均匀的权重向量把一个EMOP分解成一组子问题，随后采用MOEA/D-DE优化出一个候选种，并进一步使用IGD指标［28］批量挑选出多个最佳候选解进行评估。通过这些方法可保证算法的收敛性和多样性，因此MOBO/D在多数EMOP问题上都能够取得良好效果。随后，Zhang等［29］在网格约束分解基础上提出BCDG（A Batched Constrained Decomposition
with
Grids）。BCDG采用CDG-MOEA［30］优化出一个候选种，随后根据hypervolume指标［31］批量挑选出一些最佳候选解进行评估，通过hypervolume指标可有效引导搜索方向。BCDG在求解一些Pareto Front形状比较复杂的EMOP时存在一定优势。
随着机器学习技术的快速发展，一部分现有工作开始借鉴迁移学习的一些方法和思想，并将这些方法或思想应用到代理辅助进化算法设计中，借此提升算法的优化性能。
Le等［32］提出一种交叉代理辅助模因算法CSAMA，CSAMA首先训练其他目标函数上的代理模型，然后使用训练样本在其他代理模型上的预测结果构建将要进行目标函数预测的目标代理模型，借此提升目标代理模型的预测质量。CSAMA在求解目标函数相关的EMOP时可取得比较理想的效果，然而许多EMOP的目标函数间普遍缺乏相关性，因此CSAMA不具有普遍性。
针对EMOP目标函数缺乏普遍的相关性的问题，Luo 等［33］提出的GCS-MOE同样使用一组均匀的权重向量将一个EMOP划分成许多相关子问题，并进一步将一些相关子问题划分成一个任务组。由于从同一个EMOP分解出的子问题具有普遍的相关性，因此可更好地结合多任务学习方法优化EMOP。针对多个相关任务组，GCS-MOE采用多任务高斯过程建立代理模型，算法同时优化多个相关任务组的最佳候选解，以不断逼近整个EMOP的Pareto Front。此外，GCS-MOE还提出一种组合效用准则，并为每个任
务组的训练样本提供一种选择和维护策略。在求解目标数小于4且决策变量数不多的EMOP上，算法取得了理想效果。
针对现有算法将分解后的子问题划分成多个固定任务，未能充分体现任务间相关性的问题，蔡昕烨等［34］提出了AMMCS。AMMCS同样使用一组均匀的权重向量，把一个EMOP划分成许多相关的子问题后，通过一种相关性度量指标将这些子问题动态划分成多个相关任务目标。AMMCS同样采用多任务高斯过程作为代理模型，并使用多种协作搜索技术同时优化出多个相关任务目标的最佳候选解，不断逼近EMOP的Pareto Front。AMMCS在简单、常规的EMOP上能取得理想效果，但由于预先设置固定的方向向量和代理模型预测质量问题，AMMCS在一些Pareto Front形状不规则或者比较复杂的EMOP上效果不够理想。3.2 处理中大规模EMOP的代理辅助进化算法
一般称决策变量数较多的EMOP为中大规模EMOP，此类问题通常需要较多的目标函数评估次数才能进行有效求解（如目标函数评估总次数通常超过300）。随着决策变量数的增加，高斯过程的预测质量会受到影响，并且由于能够获取较多已评估过的解，训练样本相应变得更为丰富。在中大规模EMOP的目标值预测上，一些机器学习模型的预测质量比高斯过程的预测质量更有竞争力。因此，现有部分算法尝试使用一些非高斯过程的机器学习模型作为代理模型，或者寻别的方法弥补高斯过程的不足。目前能够高效求解中大规模EMOP的相关方法较少，主要有以下方法：
针对决策变量数较多的中规模EMOP，Lin等［35］提出一种可拓展的代理辅助进化算法BS-MOBO。BS-MOBO 采用贝叶斯神经网络建立代理模型，并在monte carlo抽样和sobolov训练的支持下，能够轻松训练贝叶斯神经网络来辅助算法评估。BS-MOBO使用MOEA/D优化出一个候选种，并根据一种贪婪策略和超体积指标批量挑选出多个最佳候选解进行评估，以此保证算法的收敛性和多样性［36］。值得一提的是，在求解小规模EMOP问题上，BS-
MOBO也可以选用高斯过程作为代理模型，可获得理想的效果。BS-MOBO的算法性能依赖于一个批量评估最佳候选解的参数，该参数在不同优化问题中，或者在一个完整优化过程的不同优化阶段很可能是不固定的，固定的参数设置很可能会影响BS-MOBO的算法性能。
针对中规模的EMOP，Ruan等［37］在高斯过程基础上提出了SAEA/ME。SAEA/ME挑选相关的决策变量而非全部决策变量参与构建代理模型，并将原来的EMOP转换为基于代理模型的新问题，同时开发出一种子集选择方法挑选出最佳候选解进行评估，并更新训练样本集。SAEA/ME在求解决策变量数较多（如决策变量数在10~50之间）的EMOP时有着理想效果。由于SAEA/ME使用NSGA-II来优化EMOP，在面对优化目标数超过3的EMOP时，SAEA/ ME存在一定的争议，并且研究其他降维技术来减轻代理模型构建中的维数灾难，对SAEA/ME也有着较重要的意义。
4 结语
代理辅助进化算法使用机器学习方法建立代理模型来辅助算法评估候选解，成为求解昂贵多目标优化问题的一种流行方法。因此，对代理辅助进化算法的最新研究进展进行分类总结是一个很有必要的工作。本文根据问题规模大小将相关算法分成两类进行阐述，并分析与比较相应算法的优缺点，希望人们能够从中直观地了解不同规模的连续昂贵多目标优化问题研究现状，方便后续研究工作的开展。
·
·251
2023 年软件导刊
参考文献：
［1］ MEI Z W. A survey of multi-objective evolutionary algorithms［J］.Soft‐ware Guide， 2017， 16（6）： 204-207.
梅志伟.多目标进化算法综述［J］.软件导刊， 2017， 16（6）： 204-207.［2］ SHI Z，ZHAO Z G，XU T. Operation resource planning technology for navy cooperative battle with multi-arms based on fuzzy preference［J］.Com‐
mand Informatipn System and Technology，2015（5）：68-73.
施展，赵宗贵，许腾.基于模糊偏好的海军多兵种合同作战资源规划
技术［J］.指挥信息系统与技术，2015（5）：68-73.
［3］ DEB K.Multi-objective optimization using evolutionary algorithms［M］.
New York：John Wiley & Sons， 2001.
［4］ SUN Y C，CAI J W，ZHANG S. Airspace deployment for aerial refueling in complex battlefield environment［J］.Command Information System and
Technology，2018（3）：59-64.
孙勇成，蔡俊伟，张帅.复杂战场环境空中加油空域规划［J］.指挥信
息系统与技术，2018（3）：59-64.
［5］ LI H，ZHANG Q，DENG J.Biased multiobjective optimization and de‐composition algorithm［J］.IEEE Transactions on Cybernetics，2016，47（1）： 52-66.
［6］ JIN Y， WANG H， CHUGH T， et al. Data-driven evolutionary optimiza‐tion： an overview an
d case studies［J］. IEEE Transactions on Evolutionary
Computation， 2018， 23（3）： 442-458.
［7］ YEUNG S， MAN K. Multiobjective optimization［J］. Microwave Magazine IEEE， 12（6）：120-133.
［8］ KRIGE D G. A statistical approach to some mine valuation and allied problems on the Witwatersrand［D］. Johannesburg：University of the Wit‐
watersrand， 1951.
［9］ STEIN M L.Interpolation of spatial data：some theory for kriging［M］.
Berlin：Springer Science & Business Media， 2012.
［10］ WILLIAMS C K I， RASMUSSEN C E. Gaussian processes for machine learning［M］. Cambridge： MIT Press， 2006.
［11］ BONILLA E V， CHAI K M， WILLIAMS C. Multi-task Gaussian process prediction［C］//Advances in Neural Information Processing Systems，
2008： 153-160.
［12］ TITSIAS M K， LÁZARO-GREDILLA M. Spike and slab variational in‐ference for multi-task and multiple kernel learning［C］//Advances in Neu‐
ral Information Processing Systems，2011： 2339-2347.
［13］ GAL Y， GHAHRAMANI Z. Dropout as a Bayesian approximation： rep‐resenting model uncertainty in deep learning［C］//International Confer‐
ence on Machine Learning，2016： 1050-1059.
［14］ GAL Y.Uncertainty in deep learning［D］.Cambridge：University of Cambridge， 2016.
［15］ LESHNO M，LIN V Y，PINKUS A，et al.Multilayer feedforward net‐works with a nonpolynomial activation function can approximate any func‐
tion［J］. Neural Networks， 1993， 6（6）： 861-867.
［16］ WERBOS P J. Backpropagation through time： what it does and how to do it［J］. Proceedings of the IEEE， 1990， 78（10）： 1550-1560.
［17］ BROCHU E ， CORA V M ， FREITAS N D . A tutorial on Bayesian opti‐mization of expensive cost functions， with application to active user mod‐
eling and hierarchical reinforcement learning［DB/OL］. https：///
abs/1012.2599.
［18］ HU H，LI Z Y. A survey of performance indicators for multi-objective evolutionary algorithms ［J］. Software Guide， 2019， 18（9）： 1-4.
胡涵，李振宇.多目标进化算法性能评价指标综述［J］.软件导刊，
2019， 18（9）： 1-4.
［19］ DEB K， PRATAP A， AGARWAL S， et al. A fast and elitist multiobjec‐tive genetic algorithm： NSGA-II［J］. IEEE Transactions on Evolutionary
Computation， 2002， 6（2）： 182-197.
［20］ KNOWLES J.ParEGO：a hybrid algorithm with on-line landscape ap‐proximation for expensive multiobjective optimization problems［J］.
IEEE Transactions on Evolutionary Computation， 2006， 10（1）： 50-66.［21］ PONWEISER W，WAGNER T，BIERMANN D，et al.Multiobjective optimization on a limited budget of evaluations using model-assisted S-
metric selection［C］//International Conference on Parallel Problem Solv‐
ing from Nature， 2008： 784-794.
［22］ HUI L， ZHANG Q. Multiobjective optimization problems with complicat‐ed Pareto sets， MOEA/D and NSGA-II［J］. IEEE Transactions on Evolu‐
tionary Computation， 2009， 13（2）：284-302.
［23］ ZHANG Q ， LIU W， TSANG E， et al. Expensive multiobjective optimi‐zation by MOEA/D With Gaussian process model［J］. IEEE Transactions
on Evolutionary Computation， 2010， 14（3）：456-474.
［24］ CHENG R， JIN Y， OLHOFER M， et al. A reference vector guided evo‐lutionary algorithm for many-objective optimization［J］.IEEE Transac‐
tions on Evolutionary Computation， 2016， 20（5）： 773-791.
［25］ CHUGH T，JIN Y，MIETTINEN K，et al. A surrogate-assisted refer‐ence vector guided evolutionary algorithm for computationally expensive
many-objective optimization［J］.IEEE Transactions on Evolutionary
Computation， 2016， 22（1）： 129-142.
［26］ PAN L， HE C， TIAN Y， et al. A classification-based surrogate-assisted evolutionary algorithm for expensive many-objective optimization［J］.
IEEE Transactions on Evolutionary Computation， 2018， 23（1）： 74-88.［27］ LIN X， ZHANG Q， KWONG S. An efficient batch expensive multi-ob‐jective evolutionary algorithm based on decomposition［C］//2017 IEEE
Congress on Evolutionary Computation ， 2017： 1343-1349.
［28］ BOSMAN P， THIERENS D. The balance between proximity and diversi‐ty in multiobjective evolutionary algorithms［J］.IEEE Transactions on
Evolutionary Computation， 2003，7：174 -188.
［29］ ZHANG F， CAI X， FAN Z. A batched expensive multiobjective optimi‐zation based on constrained decomposition with grids［C］//2019 IEEE
Symposium Series on Computational Intelligence，2019： 2081-2087.［30］ CAI X，MEI Z，FAN Z，et al. A constrained decomposition approach with grids for evolutionary multiobjective optimization［J］. IEEE Transac‐
tions on Evolutionary Computation， 2017， 22（4）： 564-577.
［31］ ZITZLER E，THIELE L.Multiobjective optimization using evolutionary algorithms—a comparative case study［C］//International Conference on
Parallel Problem Solving from Nature， 1998： 292-301.
［32］ LE M N， ONG Y S， MENZEL S， et al. Multi co-objective evolutionary optimization： cross surrogate augmentation for computationally expensive
problems［C］//2012 IEEE Congress on Evolutionary Computation， 2012：
1-8.
［33］ LUO J ， GUPTA A ， ONG Y S， et al. Evolutionary optimization of ex‐pensive multiobjective problems with co-sub-Pareto front Gaussian pro‐
cess surrogates［J］.IEEE Transactions on Cybernetics，2019，49：1708-
1721.
［34］ CAI X Y，MA Z Y，ZHANG F，et al. Adaptive multitask with multipopula‐tion-based cooperative search for expensive multiobjective optimization
problems［J］. Chinese Journal of Computers， 2021， 44（9）： 1934-1948.
蔡昕烨，马中雨，张峰，等.基于自适应分解的多任务协作型昂贵多
目标优化算法［J］.计算机学报， 2021， 44（9）： 1934-1948.
［35］ LIN X，ZHEN H L，LI Z，et al. A batched scalable multi-objective Bayesian optimization algorithm［DB/OL］.https：///abs/
1811.01323.
［36］ ZHANG Q， LIU W，TSANG E， et al. Expensive multiobjective optimiza‐tion by MOEA/D with Gaussian process model［J］. IEEE Transactions on
Evolutionary Computation， 2010， 14（3）：456-474.
［37］ RUAN X， LI K， DERBEL B， et al. Surrogate assisted evolutionary algo‐rithm for medium scale multi-objective optimisation problems［C］//Pro‐
ceedings of the 2020 Genetic and Evolutionary Computation Conference，
2020： 560-568.
（责任编辑：黄健）
··252
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议