近年来,超多目标优化逐渐成为多目标优化研究的热点之一,由于超多目标优化问题具有难以寻优的高维目标空间,其研究颇有挑战性,因此受到广泛关注.现有综述性文献通常只是针对某个特定方面,缺乏系统性考察.鉴于此,首先从问题定义出发,综合考虑超多目标优化问题范畴,进行超多目标优化问题的概念辨析;其次通过对近些年的相关文献...
清华大学温鹏副教授团队以解决实际应用问题为出发点，提出一种数据高效的新方法：生成式设计-多目标主动学习循环方法。他们从三维神经网络组成的机器学习和有限元法的角度出发，通过调整三维打印构造材料结构中的参数，在实现材料性能更佳的同时，提升材料的力学性能，且不额外增加材料的重量。与均匀设计相比，这种无经验方...
《超多目标优化问题测试案例设计》 一、引言 在当今的复杂系统中,多目标优化问题已经成为了一个重要的研究领域。这些问题通常涉及到多个相互依赖或冲突的目标,需要在满足一定约束条件下寻找最优解。随着人工智能技术的不断发展,如何针对超多目标优化问题进行有效的测试案例设计已经成为了一个热门话题。本文将通过具体案例...
该方法为结构超材料设计提供了一种多目标优化的设计工具,能够在机械、热力学、磁学等性能上获得最佳响应。 图丨相关论文(来源:Nature Communications) 近日,相关论文以《机器学习多目标超材料设计》(Machine learning-enabled constrained multi-objective design of architected materials)为题发表于 Nature Communications[1...
多峰问题 即存在多个局部最优点。如下图所示(越大越好,Z轴为目标函数值): 又比如下图(越小越好): 该问题的挑战是:容易陷入局部最优,难以发现全局最优。 多模态问题 即多个X对应一个目标函数Y的值。 例如:X(2,3)->Y=0.45,X(44,7)->Y=0.45,X(9,9)->Y=0.45.即点(2,3)、(44,7)和(9,9)...
Optuna 4.0对多目标TPESampler进行了显著优化: 三目标优化场景下,200次试验的速度提高了约300倍 能够高效处理数千次试验的多目标优化 这一改进主要通过优化以下算法实现: WFG(加权超体积增益)计算 非支配排序 HSSP(超体积子集选择问题) TP...
蚁群算法(ant colony optimization, ACO),又称蚂蚁算法,是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出,其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法,初步的研究表明该算法具有许多优良的性质。针对PID控制器参数优化设计问题,将蚁群算法设计...
近日,数学学院教师姚香娟教授、朱松教授,以及信控学院巩敦卫教授、博士生赵倩在该领域取得研究进展,提出一种基于降维和求解知识引导进化算法的大规模超多目标优化问题求解方法,研究成果形成了论文“Solution of Large-scale Many-objective Optimization Problems Based on Dimension Reduction and Solving Knowledge Guided ...
西南交通大学张继业教授课题组以高速列车的整车气动阻力和头车最大表面声功率为优化目标,对流线型头型进行多目标自动优化设计。建立三车编组某新型超高速列车的参数化模型,提取头型的五个设计变量,采用ICEM CFD软件脚本文件对列车周围流场区域进行网格自动划分,...