基于代理模型辅助样本优选策略的大规模昂贵优化算法

摘要

随着智能制造、航空航天等关键工程领域的快速发展，相关优化问题的维度与真实评估代价持续攀升，给大规模昂贵优化带来了严峻挑战。为此，本文提出一种基于代理模型辅助与样本优选策略的大规模昂贵优化算法。该算法首先生成部分样本并执行真实评估，用于构建初始代理模型；其次，采用随机分组策略将大规模问题分解为多个子问题，初始化种群后利用差分优化算法对各子问题进行优化；再次，从样本库中采用样本优选策略为每个子问题构建径向基函数(RBF)代理模型，将模型评估得到的最优个体执行真实评估并加入样本库以更新模型；最后，输出问题的最优解。为验证算法性能，在CEC 2013大规模高代价优化测试集上开展对比实验。实验结果表明，在相同真实评估次数下，所提算法能够获得比对比算法更优的求解精度。

关键词

大规模昂贵优化算法 / 代理模型 / 优选策略 / 差分优化算法 / 径向基函数(RBF)模型