Exploring the Probabilistic Graphic Model of a Hybrid Multi-objective Bayesian Estimation of Distribution Algorithm
1.摘要
分布算法的混合多目标贝叶斯估计(HMOBEDA)在许多（many）目标优化问题中具有很强的竞争力。HMOBEDA的概率图形模型(PGM)扩展了探索的可能性，因为它提供了嵌入式局部搜索的决策变量、目标和配置参数的联合概率。本研究了HMOBEDA的不同采样机制，将所考虑的方法应用于两种不同的组合算法。
此外，本文还对其PGM模型进行了广泛的统计分析。进行这些分析是为了评估模型如何捕获变量、目标和局部搜索参数之间的相互作用，以及如何在从每轮的概率Pareto前沿得到这些信息
在实验中，将HMOBEDA的两个变体与原始版本进行了比较，每个变量在采样过程中都有不同的证据集。具有2到5和8个目标的多目标背包问题的结果表明，在解集的收敛和多样性方面优于原始HMOBEDA。然后将这个最好的变体与使用背包问题实例以及一组具有2、3、5和8个目标的MNK景观实例的五种最先进的进化算法进行比较。HMOBEDA的性能都优于它们。
2.介绍
在这，文章介绍了一些相关知识，我只挑重点和亮点讲下。
1.区分Many-objective和Multi-objective：两者都指多目标，但前者往往指的是目标数大于等于3的问题
2.进化算法通常除了传统的，还有另一种策略是概率建模，它是分布算法的[9]估计的基础。EDA是一类进化算法(EA)，它通过使用当前的最佳候选解决方案[10]建立一个概率模型来探索搜索空间。由于新的解是从概率模型中采样的，进化被引导到搜索空间中更有前途的领域。
3.本文的主要目标是从概率的角度来探索，使用最终的PGM结构的近似Pareto前沿。通过探索在进化过程中学习到的PGM结构，评估了如何通过所考虑的MaOPs实例的模型捕获变量、目标和局部搜索参数之间的相互作用。
4.多目标背包的问题（MOKP），定义如下：
其中，是在第r个背包下第q个物体的收益，
代表背包r的物体q的重量，
是第r个背包的容量。共Q个物体，R个背包。
3.算法
略
未完待续，催更请留言
返回贝叶斯优化优秀论文总结目录
