基于自适应采样策略的模糊分类代理辅助进化算法

摘要

针对基于分类代理辅助进化算法模型管理效率不高和如何有效降低真实函数评估次数的问题，提出了一种基于自适应采样策略的模糊分类代理辅助进化算法。首先，算法通过帕累托支配关系筛选样本来构造代理模型；其次，采用基于转移的密度估计策略提高选择压力，兼顾收敛性与多样性，同时利用十折交叉验证得到精度信息用来划分状态；最后，设计了一种自适应模型管理策略，其考虑当前种群的收敛性、多样性和不确定性，并根据不同精度状态采用有针对性的采样方式，该算法能够在保证整体性能的前提下，合理减少真实评估次数。为验证所提算法性能，将该算法与其他4种算法在MaF、WFG测试集和汽车侧面碰撞设计与驾驶室设计的实际工程问题上进行了分析对比实验，实验结果表明：所提算法在有限次评估条件下，在解决昂贵多目标优化问题时具有较好的竞争力。

关键词

代理辅助进化算法 / 代理模型 / 昂贵多目标优化问题 / 模型管理