Surrogate-assisted evolutionary algorithms (SAEAs) have become one popular method to solve complex and computationally expensive optimization problems. However, most existing SAEAs suffer from performance degradation with the dimensionality increasing. To solve this issue, this paper proposes a classifier-assisted level-based learning swarm optimizer on the basis of the level-based learning swarm optimizer (LLSO) and the gradient boosting gradient classifier (GBC) to improve the robustness and scalability of SAEAs. Particularly, the level-based learning strategy in LLSO has a tight correspondence with the classification characteristic by setting the number of levels in LLSO to be the same as the number of classes in GBC. Together, the classification results feedback the distribution of promising candidates to accelerate the evolution of the optimizer, while the evolved population helps improve the accuracy of the classifier. To select informative and valuable candidates for real evaluations, we devise a L1-exploitation strategy to extensively exploit promising areas. Then, the candidate selection is conducted between the predicted L1 offspring and the already real-evaluated L1 individuals based on their Euclidean distances. Extensive experiments on commonly-used benchmark functions demonstrate that the proposed optimizer can achieve competitive or better performance with a very small training dataset compared with three state-of-the-art SAEAs.

中文翻译：

---

用于昂贵优化的分类器辅助的基于级别的学习群优化器

代理辅助进化算法 (SAEA) 已成为解决复杂且计算成本高的优化问题的一种流行方法。然而，大多数现有的 SAEA 都会随着维度的增加而出现性能下降。为了解决这个问题，本文在基于层次的学习群优化器（LLSO）和梯度提升梯度分类器（GBC）的基础上，提出了一种分类器辅助的基于层次的学习群优化器，以提高SAEA的鲁棒性和可扩展性。特别是LLSO中的基于级别的学习策略通过将LLSO中的级别数设置为与GBC中的类数相同而与分类特征紧密对应。一起，分类结果反馈有希望的候选者的分布以加速优化器的进化，而进化的种群有助于提高分类器的准确性。为了选择信息丰富且有价值的候选者进行真实评估，我们设计了 L1 开发策略来广泛开发有前景的领域。然后，根据他们的欧几里德距离，在预测的 L1 后代和已经真实评估的 L1 个体之间进行候选选择。对常用基准函数的大量实验表明，与三个最先进的 SAEA 相比，所提出的优化器可以通过非常小的训练数据集实现具有竞争力或更好的性能。为了选择信息丰富且有价值的候选者进行真实评估，我们设计了 L1 开发策略来广泛开发有前景的领域。然后，根据他们的欧几里德距离，在预测的 L1 后代和已经真实评估的 L1 个体之间进行候选选择。对常用基准函数的大量实验表明，与三个最先进的 SAEA 相比，所提出的优化器可以通过非常小的训练数据集实现具有竞争力或更好的性能。为了选择信息丰富且有价值的候选者进行真实评估，我们设计了 L1 开发策略来广泛开发有前景的领域。然后，根据他们的欧几里德距离，在预测的 L1 后代和已经真实评估的 L1 个体之间进行候选选择。对常用基准函数的大量实验表明，与三个最先进的 SAEA 相比，所提出的优化器可以通过非常小的训练数据集实现具有竞争力或更好的性能。