面向偏好优化的帕累托集学习用于黑箱优化
内容提要
本文探讨了多目标组合优化的学习方法，包括基于贝叶斯优化的PAC-MOO方法和可控Pareto集学习(Co-PSL)方法，旨在提高多目标优化的效率和灵活性。研究表明这些方法在电路设计等工程问题中有效，并提出了无前提形状的Pareto集学习(GPSL)方法，显示出良好的应用潜力。
延伸解读
从有限种群到模型：多目标优化的学习范式转变
文章梳理了多目标组合优化从传统有限种群算法向学习模型演进的趋势。2022年3月的研究将分解式多目标优化算法（MOEA/D）推广到模型，以近似整个Pareto集，为决策者提供灵活决策。这种范式转变意味着优化过程不再局限于离散解集，而是能生成连续逼近Pareto前沿的模型，从而提升决策灵活性。
约束黑箱优化：PAC-MOO的工程适用性
针对输入空间大部分不可行（违反约束）的约束多目标优化问题，PAC-MOO基于贝叶斯优化，学习目标和约束的代理模型，并选择能最大程度获取受约束Pareto前沿信息且考虑偏好的候选输入。该方法特别适用于电路和电力系统设计等工程设计问题，实验表明比现有方法更有效。
实时权衡控制：Co-PSL的两阶段机制
Co-PSL方法针对现有无导数Pareto集学习在昂贵黑箱多目标优化中不稳定和低效的问题，通过两阶段实现：先用贝叶斯优化预热获得高质量高斯过程先验，再进行可控Pareto集学习，准确获得从偏好到相应Pareto解的参数映射，从而实现对冲突目标之间的实时权衡控制。合成和现实问题验证了其有效性。
摆脱形状先验：GPSL的分布转化视角
现有Pareto集学习方法常依赖对Pareto前沿形状的先验知识，GPSL方法通过将Pareto集学习视为分布转化问题，克服了这一局限。实验表明，GPSL在多种测试问题上表现优异，具有广泛的应用潜力。这为黑箱优化中形状未知的Pareto前沿学习提供了新思路。
Q&A
PAC-MOO方法的主要应用领域是什么？
PAC-MOO方法主要应用于电路和电力系统设计等工程问题。
可控Pareto集学习(Co-PSL)方法的核心机制是什么？
Co-PSL方法通过贝叶斯优化和参数映射实现对冲突目标的实时权衡控制。
无前提形状的Pareto集学习(GPSL)方法解决了什么问题？
GPSL方法克服了对帕累托前沿形状的先验知识依赖的问题。
协同Pareto集学习(CoPSL)框架的优势是什么？
CoPSL框架通过共享层和特定于多目标优化问题的层高效学习多个Pareto集，展现出出色的效率和稳健性。
多目标组合优化的学习方法有什么特点？
这种学习方法能够直接生成逼近帕累托前沿的解，提供灵活的决策支持。
本文提出的研究方法在实验中表现如何？
实验结果表明，PAC-MOO和GPSL等方法在多种测试问题上表现优异，具有广泛的应用潜力。
