论文阅读：An interactive method for surrogate-assisted multi-objective evolutionary algorithms

An interactive method for surrogate-assisted multi-objective evolutionary algorithms

辅助代理多目标进化算法的交互式方法

作者：Dinh Nguyen Duc、Long Nguyen、 Kien Thai Trung
期刊：IEEE International Conference on KNOWLEDGE AND SYSTEMS 、November 2020
DOI：10.1109/KSE50997.2020.9287862

内容简介

求解多目标优化领域内的复杂问题是研究者们乐于并已经在研究的方向。事实上，复杂问题十分普遍，需要高效的方法进行求解。研究者们已经提出了许多方法来解决这类问题，如仿真方法、分解方法等。其中，使用辅助模型的方法已经被普遍研究和使用。使用辅助模型的方法可以使用不同的技术(RBF、PRS、Kriging、SVM、ANN)。然而，为了使算法更加高效、适用于此类问题，很有必要分析和评价适用性、高效性、质量性的因子。其中一个因子是在进化过程中探索性和开发性的平衡、解决方案的收敛性和多样性的质量。本篇论文聚焦于分析能够影响算法质量的因子、决策者在视觉审查中的作用，而提出了一种交互式方法来调整算法去提升质量并达到决策者的实际要求。

内容摘录

• Information for the guidance process can be aggregated in two common ways: automatic calculations of evolution over generations and providing visual information to users so that users interact during the process chemistry.
• An interactive method
  1. Initialization ：each generation, the presentation dialog will show to the decision maker to observe the current value of the parameters, the value of the relevant factors for them to consider adjusting the parameters for the algorithm at that time?
  2. Searching：start the evolutionary process as the principle of each algorithm as their proposed.
  3. Asking for an interaction: each generation, the presentation dialog will show to the decision maker to observe the current value of the parameters, the value of the relevant factors for them to consider adjusting the parameters for the algorithm at that time?
  4. Parameters adjustment : decision makers with their experience, analyses the above information to adjust the parameters’ value for corresponding algorithms.
  5. Finishing
• The decision makers are not required to interactive at each generation, so the presentation dialog is only shown when the decision makers want to check and consider to adjust the parameters.

实验结论

决策者和算法参数交互的结果会影响算法的质量，如算法运行的迭代次数、适应度函数的计算次数、当前种群的收敛性和多样性、问题的特征(问题模型的复杂度)等。

交互式自动调整参数的自适应方法对采用辅助模型的多目标优化问题产生了有效的指导作用。

本文分析了时间因素、算法质量和问题特征对保持种群的收敛性和多样性的影响。维持基于辅助模型的多目标进化算法的探索和开发能力的意义。本文通过计算的数量、种群的质量、种群中非支配解的数量、空间问题的特征来评价时间过程的性质。这些数值为进化过程中的决策者提供了重要的参考信息，指导算法提高性能质量。它涉及到过程的探索与开发、解种群的收敛与多样性之间的平衡。通过可视化的显示参考信息，决策者对问题的洞察力，帮助他们灵活地调整参数，消除了使用代理模型方法的局限性。它帮助算法在现实中有效地实现昂贵的问题。实证结果证实了影响可持续性因素的假设，即在全局空间中有效找到最优解的能力，补充了多目标进化算法的交互方法的理论，特别是在解决昂贵问题时，使用替代模型。

阅读心得总结

1. 本篇论文中的交互发生在演化过程中每次迭代后，DM根据算法当前情况判断是否调整参数；交互方式为调整参数、fitness function
2. 本篇文章在实验过程中如何模拟DM在交互过程中的决策？
   在Experiments部分首先介绍交互过程是DM通过Input box输入新参数，然后指出在演化过程1000迭代中进行5次交互来观察GD、IGD等指标，最后就开始总结实验结果来表明交互过程对结果产生有效指导。并没有具体介绍参数调整的依据。