一些写文章会用到的东西
想到再加，持续更新~
butterfly说明手册网站
butterfly的标签外挂
会让我的文章酷一点
12345678910111213141516171819202122232425262728{% note flat %}默认 提示块标籤{% endnote %}{% note default flat %}default 提示块标籤{% endnote %}{% note primary flat %}primary 提示块标籤{% endnote %}{% note success flat %}success 提示块标籤{% endnote %}{% note info flat %}info 提示块标籤{% endnote %}{% note warning flat %}warning 提示块标籤{% endnote %}{ ...
使用高斯模型和模糊均值结合的多目标优化
《Small Data Driven Evolutionary Multi-objective Optimization of Fused Magnesium Furnaces》
abstract
这篇文章是完全面向一个具体工业问题的，一个化工界的熔镁炉设计问题（Fused Magnesium Furnaces）。在这个应用背景下，可以得到的只有一小部分离线的，且带有噪声的数据（实验误差）。
这篇文章干了啥呢？提出一个高斯模型的SAEA方法，基于NSGA-Ⅱ进行种群更新优化，并且自己建立了一个二阶多重回归模型来近似真实的fitness function。
introduction
1、一个低阶的多项式回归可以减少维度灾难和过拟合问题
我的思考
1、为啥建立了一个低阶的多重回归之后还要使用高斯模型来做模型辅助？
它其实相当于做了一个伪online的模型。使用一个二阶多项式回归来近似真实的FE，并且在每一代的进化中可以使用这FE来更新数据，训练模型。
因为这个近似的FE其实是一个global的模型，当种群不断进化收敛到局部local的时候，这个模型的效果是很差的，这个FE主要是辅助高斯模型 ...
多个回归模型结合的多目标优化
《An Ensemble Surrogate-Based Framework for Expensive Multiobjective Evolutionary Optimization》
说明：参考价值不大，整体思路太平，创新点不足。
摘要
是一个online的DDEA算法，主要是提出了一个集成模型的框架，这个框架可以辅助MOEA选择
总体框架
模型：ensemble surrogate framework（ESF）
图1 ESF框架
1、初始化
使用标准边界交叉法（NBI）生成一组参考向量；使用LHS采样生成N个训练样本点，形成初始种群P。
DB：训练数据集
NisN_{is}Nis：从模型里采样进行真实问题评估的样本数目
标准边界交叉法（nomal boundary intersection NBI）
对于一个M个目标的问题，在目标空间上每个目标假设被划分为H份，则有划分公式
n=(M+H−1M−1)n=\begin{pmatrix} M+H-1 \\ M-1 \\ \end{pmatrix}
n=(M+H−1M−1)
在选定M和H之后可以得到一个各个目标的权重配比， ...
REMO：基于关系模型的超多目标优化算法
《Expensive Multiobjective Optimization by Relation Learning and Prediction》
摘要
使用了两两对比的比较模型，并非根据传统的支配关系建立样本对比较，而是依据MOEA/D中的PBI指标进行支配关系的标签建立和进行比较
创新点
1、使用了基于关系的分类模型，减少了回归模型的时间复杂度
2、对数据集进行了数据分割，使得训练样本标签分布基本是均匀的
3、使用多次模型结果综合判断，减少因为模型的预测错误而导致的判断错误
4、使用了基于径向过程的个体选择来保持多样性和收敛性
速看版本
图1 REMO的整体框架伪代码
基本沿袭CSEA的基本思路，只是在模型和细节上有一些调整
使用径向过程选定参考解，详见CSEA
使用真实的目标函数与参考点集合依次进行PBI关系的对比，将种群分为nondominance和dominated，记作Pn、PdP_n、P_dPn、Pd
分别在两个种群中选出点组成样本对，并根据所在的种群对该样本对打上标签[-1,+1,-0,+0]
使用所得的样本对训练分类模型
对原来的种群使用遗传方式产生后 ...
MS-RV：使用粗、细粒度的多回归模型的离线多目标数据驱动
《Off-line Data-driven Multi-objective Optimization: Knowledge Transfer between Surrogates and Generation of Final Solutions》
出处：C. Yang, J. Ding, Y. Jin and T. Chai, “Offline Data-Driven Multiobjective Optimization: Knowledge Transfer Between Surrogates and Generation of Final Solutions,” TEC 2020
abstract
使用了一个多项式回归模型对部分属性先进行预测和迭代进化得到一个部分的种群，再用当前细粒度种群填补空缺的属性，混合两个种群，再对该种群使用全局的RBF回归模型预测目标值，使用NSGA的环境选择方式更新种群，每次iter存一批解，最后再使用基于RVEA的方式聚类得到最终的PF
introduction
1、提取部分属性构建一个多项式回归
2、最后得到的解全部都在一个archive里，使 ...
搭好我的个人博客啦！
小小记录一下，大概花了一天的时间，构建网址，设置主题并且解决一些七零八碎的小问题。
以后会多写文的。
准备休息啦~~