A Classification-Regression Cooperative Fuzzy Surrogate- Assisted Evolutionary Algorithm for Expensive High- Dimensional Multi-Objective Optimization

Resumen Técnico: Un Algoritmo Evolutivo Asistido por Superficie de Cooperación de Clasificación-Regresión Difusa para la Optimización Multiobjetivo de Alta Dimensión y Costosa

1. Planteamiento del Problema
El artículo aborda el desafío de resolver problemas de optimización multiobjetivo (MOP) de alta dimensión y costosos donde las evaluaciones de la función objetivo son computacionalmente costosas (por ejemplo, requieren experimentos físicos o simulaciones de alta fidelidad) y el número de evaluaciones disponibles es estrictamente limitado.

Se identifica un desafío específico en los Algoritmos Evolutivos Asistidos por Superficie (SAEA) existentes debido al desajuste entre el modelo y el estado (model-state mismatch). En espacios de alta dimensión con datos dispersos:

• Los modelos de regresión de dimensión completa (como Kriging) se vuelven inestables e insuficientes.
• Los límites de clasificación en las etapas iniciales suelen ser desequilibrados e inestables, lo que conduce a una explotación prematura basada en etiquetas poco fiables.
• Los métodos existentes suelen tratar la exploración global (regresión) y la explotación local (clasificación) de forma separada, careciendo de un mecanismo unificado para coordinar estas tareas basadas en la fiabilidad actual de los modelos de superficie.

2. Metodología: HDFC-ASS
Los autores proponen HDFC-ASS (Algoritmo Evolutivo Asistido por Superficie de Cooperación de Clasificación-Regresión Difusa). El marco opera a través de dos etapas secuenciales conectadas por un archivo de evaluación compartido, utilizando un criterio de gestión de modelos de Convergencia-Diversidad-Incertidumbre (CDU) para asignar las evaluaciones costosas.

• Etapa 1: Kriging Incremental de Subespacio Aleatorio Guiado por Correlación de Variables (Exploración Global)

  • En lugar de construir un modelo de dimensión completa, el algoritmo estima la relevancia de las variables de decisión respecto a los objetivos utilizando correlaciones de Pearson y Spearman.
  • Construye subespacios de baja dimensión informativos combinando variables relevantes centrales con variables complementarias muestreadas aleatoriamente.
  • Se entrenan y actualizan modelos de Kriging incrementales dentro de estos subespacios. Un enfoque de ensamble agrega las predicciones de múltiples subespacios para estimar la media y la incertidumbre (varianza), reduciendo la inestabilidad del modelado de dimensión completa bajo condiciones de muestra pequeña.

• Etapa 2: Explotación Local Asistida por Clasificador Difuso

  • Se entrena un clasificador difuso (MLPM-FKNN) para producir el grado de pertenencia de una solución candidata a la clase "prometedora", en lugar de una etiqueta binaria rígida.
  • Transición Unidireccional Basada en la Fiabilidad: El algoritmo no permanece en la etapa de exploración global de forma permanente. Permanece en esta etapa hasta que el clasificador difuso satisface condiciones específicas de fiabilidad (medidas por la exactitud balanceada y el soporte de clase). Solo entonces realiza la transición a la explotación local. Esto evita que los límites de clasificación poco fiables en etapas tempranas desvíen la búsqueda.

• Gestión de Modelos y Muestreo de Infill

  • Un criterio cooperativo selecciona candidatos para la evaluación costosa real basándose en tres factores:
    1. Convergencia: Distancia al punto ideal estimado.
    2. Diversidad: Distancia a la solución evaluada más cercana.
    3. Incertidumbre: Varianza de la predicción del ensamble de Kriging.
  • Dependiendo de la etapa y la fiabilidad del clasificador, el algoritmo prioriza:
    • Exploración Global: Seleccionar candidatos con alta incertidumbre y buenos puntajes de convergencia/diversidad.
    • Corrección de Frontera: Si el clasificador es poco fiable, muestrear cerca del límite de decisión difuso (pertenencia $\approx 0.5$).
    • Explotación de Alta Pertenencia: Si el clasificador es fiable, seleccionar candidatos con alta pertenencia a la clase positiva y buen desempeño en convergencia/diversidad.

3. Contribuciones Clave
El artículo detalla tres contribuciones principales:

1. Kriging Incremental de Subespacio Aleatorio Guiado por Correlación de Variables: Una estrategia para manejar espacios de alta dimensión mediante la reducción de las dimensiones de modelado efectivas mientras se preservan las direcciones de búsqueda, actualizándose incrementalmente para mejorar la eficiencia.
2. Explotación Local Asistida por Clasificador Difuso con Transición Unidireccional: Un mecanismo que utiliza valores de pertenencia difusa y activa el cambio a la explotación local solo cuando el clasificador alcanza un estado de alta fiabilidad (exactitud balanceada), evitando la explotación prematura.
3. Gestión de Modelos Cooperativa de Convergencia-Diversidad-Incertidumbre: Un criterio unificado que asigna dinámicamente el presupuesto limitado de evaluación entre la exploración global, la corrección de frontera y la explotación de alta confianza según el estado actual de los modelos de superficie.

4. Resultados Experimentales
El algoritmo propuesto fue evaluado en las suites de referencia DTLZ, WFG y MaF con variables de decisión que oscilan entre 50 y 200 y de 3 a 11 objetivos. El presupuesto de evaluación fue estrictamente limitado a 500 evaluaciones de función costosa.

• Desempeño: HDFC-ASS demostró un desempeño competitivo o superior en comparación con nueve SAEAs representativos (incluyendo métodos asistidos por clasificación, por regresión y de ensamble) en términos de Distancia Generacional Invertida (IGD) y Hipervolumen (HV).
• Robustez: El algoritmo mostró una fortaleza particular en problemas con características difíciles, tales como paisajes multimodales (DTLZ1, DTLZ3), transformaciones sesgadas (WFG1), frentes de Pareto desconectados (WFG2) y frentes irregulares (DTLZ5-7).
• Análisis Visual: Los gráficos de distribución indicaron que HDFC-ASS logró un rango individual más amplio y una mejor distribución de soluciones en comparación con sus competidores.
• Costo Computacional: Aunque HDFC-ASS requiere más tiempo de cómputo que algunos métodos más simples (como MCEA/D) debido al mantenimiento de los modelos de subespacio aleatorio y la clasificación difusa, es significativamente más eficiente que los métodos de ensamble heterogéneos complejos (como HeEMOEA) en entornos de alta dimensión.

5. Significado y Reivindicaciones
El artículo sostiene que la mejora del desempeño de HDFC-ASS proviene principalmente de su mecanismo de cooperación consciente del estado del modelo. En lugar de simplemente fusionar las salidas de los modelos, el algoritmo activa los modelos de superficie de regresión y clasificación de acuerdo con sus estados de confianza.

• El Kriging incremental de subespacio aleatorio guía eficazmente la exploración global en espacios de alta dimensión donde los modelos completos fallan.
• El clasificador difuso controlado por fiabilidad fortalece el cribado local solo después de que el límite de clasificación se vuelve confiable.

Los autores concluyen que HDFC-ASS ofrece un equilibrio efectivo entre el costo de gestión del modelo y el desempeño de la optimización, lo que lo hace adecuado para MOPs de alta dimensión y costosos bajo presupuestos de evaluación estrictamente limitados. Se sugiere que el trabajo futuro se centre en el control adaptativo de parámetros y aplicaciones de ingeniería del mundo real.