研究目的
提出一种新的算法调优多目标粒子群优化(tMOPSO),用于在不同目标函数评估(OFE)预算约束下调整随机优化算法的控制参数值(CPVs)。
研究成果
数值实验验证了tMOPSO在多目标函数评估预算下调节优化算法的有效性。tMOPSO优于或可比于现有的多目标函数评估预算调节算法,且比分别针对不同单一目标函数评估预算设置多个独立调节问题更高效。该研究表明,tMOPSO是在一系列目标函数评估预算下调节优化算法的可行替代方案。
研究不足
本研究仅限于利用CEC 2005实参数优化专题会议中的问题,在多个函数评估预算下调整随机优化算法。未探讨tMOPSO在其他类型优化问题或不同计算约束条件下的有效性。
1:实验设计与方法选择:
本研究采用多目标粒子群优化算法tMOPSO,在多个函数评估预算下调整随机优化算法的控制参数。该方法包括将控制参数调整问题构建为多目标优化问题,并采用专为随机算法设计的噪声处理策略和参数评估流程。
2:样本选择与数据来源:
研究使用CEC 2005实参数优化专题会议的问题作为调参应用层。这些问题均为无约束、实值、静态无噪声的单目标最小化问题。
3:实验设备与材料清单:
实验通过南非高性能计算中心(CHPC)及比勒陀利亚大学电子电气与计算机工程系(EECE)高性能计算中心(HPCC)的计算资源开展数值实验。
4:实验流程与操作步骤:
研究将tMOPSO与其他针对单/多函数评估预算的调参算法进行对比,通过包含参数扫描和统计检验的数值实验评估其性能,以验证所提算法的有效性。
5:数据分析方法:
采用Friedman检验和Mann-Whitney U检验(MWUT)等统计方法分析tMOPSO性能并进行算法对比,使用调参问题上获得的超体积(HV)指标作为多函数评估预算调参算法的性能度量。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容