Aggregate meta-models for evolutionary multiobjective and many-objective optimization

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F13%3A10173117" target="_blank" >RIV/00216208:11320/13:10173117 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/67985807:_____/13:00396912

Výsledek na webu

<a href="http://dx.doi.org/10.1016/j.neucom.2012.06.043" target="_blank" >http://dx.doi.org/10.1016/j.neucom.2012.06.043</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.neucom.2012.06.043" target="_blank" >10.1016/j.neucom.2012.06.043</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Aggregate meta-models for evolutionary multiobjective and many-objective optimization

Popis výsledku v původním jazyce

Evolutionary algorithms are among the best multiobjective optimizers. However, they need a large number of function evaluations. In this paper a meta-model based approach to the reduction in the needed number of function evaluations is presented. Local aggregate meta-models are used in a memetic operator. The algorithm is first discussed from a theoretical point of view and then it is shown that the meta-models greatly reduce the number of function evaluations. The approach is compared to a similar onewith a single global meta-model as well as to more traditional NSGA-II and epsilon-IBEA. Moreover, it is shown that aggregate meta-models work even for a larger number of objectives and therefore should be considered when designing many-objective evolutionary algorithms.

Název v anglickém jazyce

Aggregate meta-models for evolutionary multiobjective and many-objective optimization

Popis výsledku anglicky

Evolutionary algorithms are among the best multiobjective optimizers. However, they need a large number of function evaluations. In this paper a meta-model based approach to the reduction in the needed number of function evaluations is presented. Local aggregate meta-models are used in a memetic operator. The algorithm is first discussed from a theoretical point of view and then it is shown that the meta-models greatly reduce the number of function evaluations. The approach is compared to a similar onewith a single global meta-model as well as to more traditional NSGA-II and epsilon-IBEA. Moreover, it is shown that aggregate meta-models work even for a larger number of objectives and therefore should be considered when designing many-objective evolutionary algorithms.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2013

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Neurocomputing

ISSN

0925-2312

e-ISSN

—

Svazek periodika

116

Číslo periodika v rámci svazku

20 September 2013

Stát vydavatele periodika

NL - Nizozemsko

Počet stran výsledku

11

Strana od-do

392-402

Kód UT WoS článku

000320971900043

EID výsledku v databázi Scopus

—