Bayesian NSGA-II — Vekil Destekli Çok Amaçlı Evrimsel Optimizasyon
Bayesian Surrogate-Assisted Non-dominated Sorting Genetic Algorithm II · Ayrıca şöyle bilinir: B-NSGA-II, Surrogate-Assisted NSGA-II, Gaussian Process NSGA-II, Bayesian Multi-Objective EA
Bayesian NSGA-II, pahalı çok amaçlı optimizasyon problemlerini çözmek için NSGA-II evrimsel döngüsüne Gauss süreç vekil modellerini (Bayesçi meta-modeller) entegre eder. Maliyetli gerçek fonksiyon değerlendirmelerini hızlı olasılıksal tahminlerle değiştirerek, standart NSGA-II'den çok daha az gerçek değerlendirmeyle yüksek kaliteli Pareto-ön cephesi yaklaşımları keşfeder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Hedef fonksiyonu değerlendirmelerinin pahalı olduğu (her çalıştırma dakika, saat veya önemli para maliyeti), hedef sayısının iki ila dört arasında olduğu ve toplam değerlendirme bütçesinin sınırlı olduğu (genellikle birkaç yüz gerçek değerlendirmeden az) durumlarda Bayesian NSGA-II kullanın. Mühendislik tasarımı, ML modellerinin hiperparametre ayarlanması ve simülasyon tabanlı politika optimizasyonunda mükemmeldir. Değerlendirmelerin ucuz olduğu (standart NSGA-II yeterlidir), hedef sayısının dördü veya beşi aştığı (GP vekilleri hedef uzayında kötü ölçeklenir) veya karar uzayının çok yüksek boyutlu olduğu (kabaca 20 değişkenden fazla) ve boyut azaltma yapılmadığı durumlarda KULLANMAYIN.
Güçlü yönler & sınırlılıklar
- Pareto cephesini yaklaştırmak için gereken pahalı gerçek hedef değerlendirmelerinin sayısını önemli ölçüde azaltır.
- Gauss süreci vekilleri aracılığıyla prensipli belirsizlik ölçümü sağlar, bu da bilgilendirilmiş keşif-sömürü takaslarına olanak tanır.
- NSGA-II'nin kanıtlanmış baskın olmayan sıralama ve kalabalık mesafesi mekanizmalarını miras alır, iyi yayılmış, çeşitli Pareto yaklaşımları üretir.
- EHVI gibi kazanım fonksiyonları, titiz Bayesçi karar teorisine dayanır, bu da doldurma kriterini teorik olarak gerekçelendirir.
- Gradyan bilgisi gerektirmeyen kara kutu hedeflere uygulanabilir.
- Gauss süreci vekil uydurma, değerlendirilmiş noktaların sayısıyla kübik olarak ölçeklenir ve birkaç bin arşiv girişinin ötesinde hesaplama açısından ağırlaşır.
- Hedef sayısının dördü veya beşi aşması durumunda, hiperhacim hesaplaması ve GP modellemesindeki boyutluluk laneti nedeniyle performans düşer.
- Uygun bir GP çekirdeği ve kazanım fonksiyonu seçimi alan bilgisi gerektirir; kötü seçimler yavaş yakınsamaya yol açabilir.
- Toplu doldurma seçimi (eş zamanlı olarak birden fazla nokta seçme), birleşmeli ek yük getirir.
- Düzgün veya orta derecede düzgün hedef manzaraları varsayar; oldukça süreksiz veya gürültülü fonksiyonlar GP vekillerini yanıltabilir.
SSS
Bayesian NSGA-II, standart NSGA-II'den nasıl farklıdır?
Standart NSGA-II, evrim boyunca her aday çözümü gerçek hedef fonksiyonlarıyla değerlendirir. Bayesian NSGA-II, bu değerlendirmelerin çoğunu ucuz Gauss süreci vekil tahminleriyle değiştirir ve gerçek değerlendirmeleri Bayesçi kazanım fonksiyonu tarafından belirlenen dikkatlice seçilmiş küçük bir alt kümeye ayırır. Bu, gerçek değerlendirme sayısını bir ila iki büyüklük mertebesi azaltabilir.
Beklenen Hiperhacim İyileştirmesi (EHVI) nedir ve neden kullanılır?
EHVI, bir aday noktanın değerlendirilip eklenmesi durumunda mevcut Pareto cephesi yaklaşımı tarafından domine edilen hiperhacimdeki beklenen artışı ölçen bir Bayesçi kazanım kriteridir. Belirsiz bölgeleri keşfetmeyi ve umut vadeden bölgeleri kullanmayı doğal olarak dengeler ve en yaygın çok amaçlı kalite göstergesiyle doğrudan bağlantılıdır, bu da onu doldurma seçimi için prensipli bir seçim haline getirir.
Bayesian NSGA-II tipik olarak kaç gerçek değerlendirme gerektirir?
Pratik uygulamalar genellikle 100 ila 500 gerçek fonksiyon çağrısı aralığında toplam bütçeyle, iterasyon başına 5-20 yeni değerlendirme artı 50-200 başlangıç değerlendirmesi kullanır — pahalı problemler üzerinde karşılaştırılabilir Pareto cephesi kalitesi elde etmek için standart NSGA-II tarafından gereken binlerce değerlendirmeye göre büyüklük mertebesi daha azdır.
Bayesian NSGA-II ikiden fazla hedefi işleyebilir mi?
Evet, ancak verimlilik hedef sayısı arttıkça azalır. EHVI hesaplaması, üç veya dört hedefin ötesinde üstel olarak pahalı hale gelir. Beş veya daha fazla hedef için EHVI yaklaşımları veya alternatif kazanım fonksiyonları (örneğin, Pareto cephesi entropi arama) önerilir.
Hangi yazılım Bayesian NSGA-II'yi uygular?
Uygulamalar BoTorch (Facebook Research) içinde DEAP ile birlikte, pymoo kütüphanesinde ve çeşitli araştırma kod tabanlarında mevcuttur. MATLAB'ın Global Optimization Toolbox ve Ansys optiSLang gibi bazı ticari araçlar da vekil destekli çok amaçlı EA varyantlarını içerir.
Kaynaklar
- Deb, K., Pratap, A., Agarwal, S., Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182–197. DOI: 10.1109/4235.996017 ↗
- Emmerich, M. T. M., Giannakoglou, K. C., Naujoks, B. (2006). Single- and multiobjective evolutionary optimization assisted by Gaussian random field metamodels. IEEE Transactions on Evolutionary Computation, 10(4), 421–439. DOI: 10.1109/TEVC.2005.859463 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Surrogate-Assisted Non-dominated Sorting Genetic Algorithm II. ScholarGate. https://scholargate.app/tr/simulation/bayesian-nsga-ii
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi OptimizasyonOptimizasyon↔ karşılaştır
- Çok Amaçlı Genetik Algoritma (MOGA)Simülasyon↔ karşılaştır
- Çok Amaçlı OptimizasyonSimülasyon↔ karşılaştır