• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Mathematical Problems in Engineering >A Study on Many-Objective Optimization Using the Kriging-Surrogate-Based Evolutionary Algorithm Maximizing Expected Hypervolume Improvement
【24h】

A Study on Many-Objective Optimization Using the Kriging-Surrogate-Based Evolutionary Algorithm Maximizing Expected Hypervolume Improvement

机译：使用基于克里格代理的进化算法的多目标优化研究

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The many-objective optimization performance of the Kriging-surrogate-based evolutionary algorithm (EA), which maximizes expected hypervolume improvement (EHVI) for updating the Kriging model, is investigated and compared with those using expected improvement (EI) and estimation (EST) updating criteria in this paper. Numerical experiments are conducted in 3- to 15-objective DTLZ1-7 problems. In the experiments, an exact hypervolume calculating algorithm is used for the problems with less than six objectives. On the other hand, an approximate hypervolume calculating algorithm based on Monte Carlo sampling is adopted for the problems with more objectives. The results indicate that, in the nonconstrained case, EHVI is a highly competitive updating criterion for the Kriging model and EA based many-objective optimization, especially when the test problem is complex and the number of objectives or design variables is large.
机译：研究了基于Kriging-surrogate的进化算法（EA）的多目标优化性能，该性能最大化了用于更新Kriging模型的预期超量改进（EHVI），并将其与使用预期改进（EI）和估计（EST）的性能进行比较本文中的更新标准。在3到15个目标DTLZ1-7问题中进行了数值实验。在实验中，针对少于六个目标的问题使用了精确的超体积计算算法。另一方面，针对目标较多的问题，采用基于蒙特卡洛采样的近似超体积计算算法。结果表明，在非约束情况下，EHVI是针对Kriging模型和基于EA的多目标优化的极具竞争力的更新标准，尤其是在测试问题复杂且目标或设计变量的数量较大时。

著录项

  • 来源
    《Mathematical Problems in Engineering》 |2015年第19期|162712.1-162712.15|共15页
  • 作者

    Luo Chang; Shimoyama Koji; Obayashi Shigeru;

  • 作者单位

    Tohoku Univ, Inst Fluid Sci, Sendai, Miyagi 9808577, Japan;

    Tohoku Univ, Inst Fluid Sci, Sendai, Miyagi 9808577, Japan;

    Tohoku Univ, Inst Fluid Sci, Sendai, Miyagi 9808577, Japan;

  • 收录信息
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号