Библиографическое описание:Эволюционный алгоритм многокритериальной оптимизации с суррогатными моделями машинного обучения : научное издание / С. М. Горбунов, В. В. Становов. - Текст : непосредственный // Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия Приборостроение. - 2025. - № 2. - С. 48-62. - Работа выполнена при поддержке Минобрнауки России в рамках государственного задания (проект № FEFE-2023-0004). - ISSN 0236-3933. - ISSN 2687-0614.
Аннотация: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
The efficiency of the evolutionary algorithm is improved in solving the expensive multicriteria optimization problems by implementing efficient regression models of the machine learning that approximate objective functions to accelerate convergence to the true Pareto frontier with a limited number of the criterion computation (the so-called surrogate approach). The developed method of multicriteria optimization with a surrogate approach is based on the MOEA/D evolutionary algorithm. The regression analysis method based on the Gaussian processes, i.e., kriging (KRG), and the support vector machine (SVM) designed to solve classification and regression problems are considered as the surrogate models. The paper shows that the modified MOEA/D algorithm demonstrates comparable or better results on all the test problems in the international competition of the multicriteria optimization algorithms. It notes that comparison with the other participants in the competition were not carried out due to other conditions, in particular, due to the reduced computation resources. The proposed kriging method shows the best average results for the IGD metric, which is designed to assess the multicriteria optimization algorithm quality. The developed kriging method also demonstrates more diverse solutions compared to the support vector methods and the MOEA/D
