多目标进化优化-MaOEA-IGD

参考文献
IGD Indicator-Based Evolutionary Algorithm for Many-Objective Optimization Problems
Yanan Sun, Member, IEEE, Gary G. Yen , Fellow, IEEE, and Zhang Yi, Fellow, IEEE

1. 创新点

1. 一种基于分解的nadir point评估方法
2. 一种新的非支配比较策略：个体和参考点之间比较
3. 3种近似距离分配方案
4. 基于新的非支配比较策略和3种新的近似距离分配方案改进了环境选择和交叉选择机制。

2. DNPE

1. 公式：

2. 好处：不用每次都进行非支配排序，挑选出PF的边界点，可以让算法更节约计算成本。

3. 目的：找到乌托邦PF，使之能够准确的用于计算IGD指标

3. 算法框架

3.1 产生均匀的参考点

1. 先根据DNPE找到每个维度的nadir point和ideal point

2. 再使用MOEA/D中的分参考方向的方式产生一系列参考点集，其中这些参考点的每个维度的和都为1

3. 最后，根据由DNPE得出的nadir point和ideal point将参考点集转换为乌托邦PF，记为p*，这个乌托邦PF将用于IGD的计算

4. 伪代码：

   

   ​

3.2 分配rank值

1. 大多数文章中的支配比较都是在个体和个体之间的，而本文中提出的一个新的支配关系比较策略是：个体和参考点之间进行支配比较

2. 共有3种rank值：

   1. r1：如果某个个体a至少支配一个p*中的参考点，则个体a的rank值为1

   2. r2：如果某个个体a和p*中所有的个体都互不支配，则个体a的rank值为2

   3. r3：若果某个个体a

      1. 被p*中的所有参考点所支配；
      2. 或被p*中一部分参考点支配，与另一部分参考点互不支配

      则，a的ran值为3

3. 好处：

   1. 在连续的情况下（前提），根据算法结束时得到的PS，我们可以根据PS中的个体的rank值来推断真实PF的形状。如果PS中所有的个体的rank值为r1，则PF的形状为凹的；如果为r2，PF的形状为超平面；如果为r3，则PF的形状为凸的
   2. 根据rank值，我们可以粗略的估计出rank值为1的个体很可能是支配rank值为2和3的个体的，至少可以保证rank值越小的个体，是有较好的收敛性的。因此，可以将rank值作为环境选择和交叉选择中的第一个选择标准。（rank值这样分配的潜在缺点：不能保持传统的Pareto支配关系，因为rank值为1的个体，有可能不支配rank值为2的个体）
   3. 可以根据3种rank值，设计不同的近似距离

3.3 近似距离的分配

1. rank值为1的个体：个体到参考点的欧式距离的负数（统一标准，都是选择有较小的距离的个体是有较好收敛性的个体）

2. rank值为2的个体：即图2中的d+。即IGD+指标

   

3. rank值为3的个体：正欧式距离

3.4 产生后代

1. 如何选择父代进入交叉池？
   1. 首先，随机选择两个个体，比较rank值，较小者进入交叉池
   2. 若rank值相同，则比较近似距离，较小者进入交叉池
   3. 如果近似距离还一样，随机选择一个
2. 在一个大的搜索空间中（高维空间）怎么确保产生一个有希望的后代？
   1. 限制性的交叉方法：在邻居中交叉、变异产生后代
   2. SBX：使用一个大的分布索引值的模拟二进制交叉（本文采用）

3.5 环境选择

1. 先选r1层，再选r2层，最后选r3层

2. 如果所选取的最后一层的数量与前几层的数量相加大于N，则需要从最后一层中均匀的选取

3. 假设需要从最后一层中选A个个体

   1. 均匀的选取参考点A个参考点

       %% Select K points from W
      Distance = pdist2(W,W); % 计算参考点之间的欧式距离
      Distance(logical(eye(length(Distance)))) = inf; % 将自己到自己的距离设置为inf
      Del = false(1,size(W,1)); % 初始化删除的矩阵，此时Del矩阵中全是逻辑false
      while sum(~Del) > K % 如果没有被删除的参考点的数量大于要选择的数量K，进入循环
          Remain   = find(~Del); % 找到剩余的参考点
          Temp     = sort(Distance(Remain,Remain),2); % 按照欧氏距离排序
          [~,Rank] = sortrows(Temp); % 按行排序，
          Del(Remain(Rank(1))) = true; % 将要删除的参考点设置为true
      end
      Dis = Dis(:,~Del); % 取反
      

   2. 然后选取距离每个参考点最近的个体（这些个体是最后一层中的个体），共A个，以准确的填满下一代种群

      %% Greedy algorithm based selection (more efficient)
      Choose = false(1,size(Dis,1)); % 初始化 size(Dis,1) ===> 个体数量
      for i = 1 : size(Dis,2) % (Dis,2) ===> 参考点数量
          remain   = find(~Choose); % 找到剩余的参考点的索引值
          [~,best] = min(Dis(remain,i)); % 找到到第i个参考点的距离最小的个体的索引值
          Choose(remain(best)) = true; % 将这个被选中的个体移除
      end