摘要: 现实世界中的许多优化问题是由多重目标构成，在这些问题中往往无法对目标进行快速评估，这些评估操作需要消耗大量的时间或金钱，成本是非常高昂的，这些问题被称为昂贵多目标优化问题（EMOP）。解决昂贵多目标优化问题的一种可行方法是向多目标进化... 展开 现实世界中的许多优化问题是由多重目标构成，在这些问题中往往无法对目标进行快速评估，这些评估操作需要消耗大量的时间或金钱，成本是非常高昂的，这些问题被称为昂贵多目标优化问题（EMOP）。解决昂贵多目标优化问题的一种可行方法是向多目标进化算法中引入计算成本较低或计算效率较高的代理模型辅助进化，使算法的运行效率大幅提高，这类算法被称为基于代理模型的昂贵多目标进化算法。本文围绕基于代理模型的昂贵多目标进化算法进行了研究，主要的研究内容包含以下三个部分：第一，基于现有昂贵多目标进化算法存在的模型精度较低、信息浪费、分类数据不平衡等问题，提出了一种基于集成分类器代理模型的昂贵多目标进化算法MOEA-EC。不同于常见的代理模型使用方式，MOEA-EC算法使用了基于分类思想的预选择策略。通过在DTLZ问题上的实验对比证明了算法在处理昂贵多目标优化问题时的良好性能。算法还被应用于一个汽车正面碰撞的结构设计优化问题上，并通过对比实验证明了算法有较大的实际应用价值。第二，中大规模的昂贵多目标优化问题对算法的设计与运行效率提出了更高的要求，模型训练时间过久、训练数据不足等问题使得针对中大规模的昂贵多目标进化算法研究发展较为缓慢。在此背景下，提出了一种基于全局回归和局部分类代理模型的昂贵多目标进化算法MOEA-GLM。算法在多组基准测试问题上的实验对比，证明了算法处理中大规模昂贵多目标优化问题时具有良好性能表现。第三，将MOEA-GLM算法与降维方法相结合得到变体MOEA-GLM-DR算法，通过大量的对比实验证明了MOEA-GLM-DR算法，不仅在处理中大规模问题时可以加快MOEA-GLM算法的运行速度与收敛速度，而且在50维决策变量以上的大规模问题上还可以使算法获得更好的性能。 收起