计算机应用

作者：谭瑛, 任新宇, 孙超利, 王思思

单位：1.太原科技大学 计算机科学与技术学院，太原 030024；2.山西钢科碳材料有限公司，太原 030100

关键词：半监督学习,多目标优化,填充采样准则,代理模型,车辆正面结构

基金：国家自然科学基金资助项目(62372319)

利用计算成本低廉的代理模型替换昂贵目标函数评价，以辅助进化算法对昂贵黑盒多目标优化问题的求解，近年来受到广泛关注。模型的准确度在代理模型辅助的多目标进化算法（MOEA）中发挥着重要作用，特别是当目标函数数量较多时，不准确的模型很容易引导算法朝错误的方向搜索；但目标函数评价昂贵，很难获得充裕的样本训练高质量的代理模型。因此，提出一种两阶段填充采样的半监督昂贵多目标优化算法（TISS-EMOA）。该算法引入半监督技术，选择部分无标签数据扩充训练数据集，从而提升模型的准确性；同时，提出两阶段选点的填充采样准则，以期在评价次数有限的情况下获得昂贵多目标优化问题的较优解集。为验证TISS-EMOA的有效性，在DTLZ1~DTLZ7基准测试问题以及车辆正面结构优化设计上进行了实验。与当前具有代表性的5种代理模型辅助进化多目标算法的对比结果显示，TISS-EMOA在28个基准测试问题中获得了25、28、28、24、23个更好或相当的改进的反转世代近距离（IGD+）。

来源：2025年第5期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第5期