突破昂贵约束多目标优化的瓶颈：集成代理模型的新进展
论文标题：Enhancing Landscape Approximation with Ensemble-Based Surrogate Model for Expensive Constrained Multiobjective Optimization发表期刊：IEEE Transactions on Evolutionary Computation（TEVC）一、研究背景在实际工程和科学研究中，许多多目标优化问题不仅存在复杂的约束，还伴随着极高的计算成本。这类问题被称为昂贵约束多目标优化（ECMOP），典型应用包括机器人结构设计、交通调度、材料设计等。对于ECMOP而言，传统的进化多目标优化算法往往依赖大量的函数评估（Function Evaluations，FEs），但在现实场景中，FEs的成本高昂，往往难以承受。如何在有限的评估次数内，既能找到满足约束的解，又能在目标空间中取得良好的性能，是当前研究中的核心挑战。二、核心问题本文针对两大关键难题展开研究：
[*]如何在极少的FEs下，准确刻画复杂的可行域（Constraint Landscape）？
[*]如何平衡目标优化与约束满足，避免陷入局部可行区域？
三、方法框架作者提出了一种基于集成代理模型的进化优化框架——EM-SAEA。方法核心包含两个主要创新。
[*]在优化过程中，使用全局模型+多个局部模型的集成策略来拟合约束函数。
[*]全局模型负责捕捉整体趋势，适用于样本较少的早期阶段。
[*]局部模型针对目标空间中的局部区域，能够精准刻画复杂的可行边界，随着样本增多逐渐发挥更大作用。
[*]系统根据模型预测的不确定性，动态选择全局模型或局部模型的预测结果，提高整体的预测精度。
这一设计有效避免了传统单一代理模型在复杂不连通约束空间下容易失效的问题。2. 向量约束支配准则（VCDP）
[*]引入参考向量，将目标空间划分为多个角区域。
[*]根据解所在的角区域，以及解的可行性，动态调整比较规则。
[*]不同场景下采用不同的选择策略：
[*]可行解之间，主要依赖目标的聚合函数值进行比较。
[*]同一区域内的不可行解，优先根据约束违反程度进行筛选。
[*]跨区域的不可行解，通过引入概率机制，在目标优化与约束修复之间动态权衡。
这一机制有效提升了算法在探索早期对不可行解的容忍度，同时在收敛阶段增强了对可行解的筛选能力。四、优化流程EM-SAEA采用双阶段优化框架：
[*]第一阶段：目标导向优化
忽略约束，优先提升目标空间的收敛速度，快速靠近无约束的Pareto前沿。
[*]第二阶段：约束导向优化
引入集成代理模型和VCDP，重点在约束空间中进行探索和优化，最终逼近有约束的Pareto前沿。
五、实验验证论文在五个基准测试套件（C-DTLZ、DC-DTLZ、CF、MW、LIRCMOP）以及一个实际工业问题（RCM）上进行了系统实验。与7个当前最具代表性的代理辅助进化算法（SAEA）进行对比。实验结果显示：
[*]在44个测试问题中，EM-SAEA在绝大多数问题上取得了最优性能。
[*]尤其在高维、多约束、不连通的可行域下，优势更加显著。
[*]相较于仅使用全局代理的模型，集成模型大幅度提升了约束预测的准确性和整体优化效果。
六、方法优势总结
[*]具备更强的约束建模能力，特别适用于复杂、不连通的可行域。
[*]双阶段优化框架显著提升了收敛速度与解的多样性。
[*]有效平衡了目标优化与约束修复的关系。
[*]在实际高昂计算代价的优化问题中具有更强的实用价值。
七、未来展望作者提出，未来可以围绕以下方向展开扩展：
[*]将集成代理框架扩展到多保真（Multi-Fidelity）优化问题。
[*]结合深度学习模型，提高在超高维空间下的建模与泛化能力。
[*]推广至动态约束、多任务优化等更复杂的实际应用场景。
八、论文信息论文标题：Enhancing Landscape Approximation with Ensemble-Based Surrogate Model for Expensive Constrained Multiobjective Optimization
作者：Yingwei Li, Xiang Feng, Huiqun Yu
发表期刊：IEEE Transactions on Evolutionary Computation九、结语EM-SAEA提出的集成代理建模与向量约束支配，为解决昂贵约束多目标优化问题提供了更高效、更准确的解决方案。尤其在工业优化、智能设计等现实高价值场景中，具有非常强的应用前景。
页:
[1]
