[论文解读] R2-based hypervolume contribution approximation in multi-objective optimization

Ke Shang, Hisao Ishibuchi+2 more|arXiv (Cornell University)|May 15, 2018

Advanced Multi-Objective Optimization Algorithms参考文献 13被引用 1

一句话总结

本文提出了一种基于R2的超体积贡献近似方法，该方法仅关注超体积贡献区域内的方向向量，从而在多目标优化中提升了准确性和效率。该方法在识别超体积贡献最小的解方面优于传统的R2基近似方法和蒙特卡洛采样，同时在精确方法失效的高维空间中仍保持计算可行性。

ABSTRACT

In this letter, a new hypervolume contribution approximation method is proposed which is formulated as an R2 indicator. The basic idea of the proposed method is to use different line segments only in the hypervolume contribution region for the hypervolume contribution approximation. Comparing with a traditional method which is based on the R2 indicator to approximate the hypervolume, the new method can directly approximate the hypervolume contribution and will utilize all the direction vectors only in the hypervolume contribution region. The new method, the traditional method and the Monte Carlo sampling method together with two exact methods are compared through comprehensive experiments. Our results show the advantages of the new method over the other methods. Comparing with the other two approximation methods, the new method achieves the best performance for comparing hypervolume contributions of different solutions and identifying the solution with the smallest hypervolume contribution. Comparing with the exact methods, the new method is computationally efficient in high-dimensional spaces where the exact methods are impractical to use.

研究动机与目标

• 解决高维多目标优化问题中精确超体积计算的计算不可行性问题。
• 通过仅关注贡献区域内的相关方向向量，提升超体积贡献近似计算的准确性。
• 开发一种高效识别超体积贡献最小解的方法，这是基于指标优化中的关键任务。
• 提供一种计算高效的精确超体积计算替代方案，使其在高维设置下依然实用。

提出的方法

• 该方法利用R2指标对超体积贡献近似进行建模，特别选取超体积贡献区域内的方向向量。
• 仅使用对超体积贡献有显著影响的方向向量，避免使用该区域外的无关向量。
• 通过在选定方向上进行加权聚合，应用R2指标来近似单个解对总体超体积的贡献。
• 该方法动态识别超体积贡献区域，以集中计算于最具信息量的方向。
• 将R2框架与超体积特定约束相结合，以确保近似结果的保真度。
• 该算法设计具有可扩展性和高效性，尤其适用于高维决策空间和目标空间。

实验结果

研究问题

• RQ1 与全局R2基方法相比，基于区域的R2近似方法是否能提升超体积贡献估计的准确性？
• RQ2 与蒙特卡洛采样和传统R2近似相比，所提方法在识别贡献最小解方面的表现如何？
• RQ3 在高维目标空间中，所提方法是否在精确超体积计算变得不可行时仍能保持计算效率？
• RQ4 仅聚焦于超体积贡献区域内的方向向量，是否能实现更优的近似质量并降低计算成本？

主要发现

• 所提方法在比较解之间超体积贡献方面表现优异，尤其在识别贡献最小的解方面表现突出。
• 在准确性和贡献排序的一致性方面，该方法优于传统的R2基近似和蒙特卡洛采样。
• 该方法在高维空间中保持了高度的计算效率，而精确超体积计算因指数级复杂度而变得不切实际。
• 通过将方向向量限制在超体积贡献区域内，该方法在不损失近似质量的前提下减少了计算开销。