En problemas de optimización multiobjetivo costosos (Expensive Multiobjective Optimization) usualmente se utilizan modelos sustitutos (Surrogate Models) para reducir el número de evaluaciones la función objetivo. Esto es particularmente necesario cuando la función objetivo tiene un alto costo de evaluación. Algunos métodos han sido propuestos para realizar aproximaciones basadas en redes neuronales artificiales o procesos gaussianos. En este trabajo se propone una nueva aproximación, la cual realiza modificaciones estratégicas a los métodos de aprendizaje de diccionarios (Dictionary Learning) con el objetivo de estimar un modelo sustituto. Dicho modelo se basa en una combinación lineal dispersa de palabras (code-words), compuesta por funciones suaves paramétricas.
Palabras claves: Expensive Multiobjective Optimization, Surrogate Models, Sparse Coding, Dictionary Learning.
Referencias:
[1] J. M¨uller, C. Shoemaker. Influence of emsemble surrogate models andsampling strategy on the solution quality of algorithms for computationally expensive black-box global optimization problems. Journal ofGlobal Optimization, 60(2): 123–144, October 2014.
[2] C. Calder´on-Arce, P. Alvarado-Moya. Optimización multiobjetivo confunciones de alto costo computacional. Revisión del estado del arte. Tecnología en Marcha, Matem´atica Aplicada: 16–24, Mayo 2016.
[3] I. Steponavic`e, M. Shirazi-Manesh, R. J. Hyndman, K. Smith-Miles & L. Villanova. On Sampling Methods for Costly Multi-Objective Black-Box Optimization. Springer International Publishing, Cham, 273–296, 2016.