目录
1.摘要
本研究介绍了多目标广义正态分布优化算法(MOGNDO),其基于单目标广义正态分布算法(GNDO)。MOGNDO增加了一个存档机制来存储非支配的帕累托最优解,确保详细记录最佳结果。另一方面是增加一个新的领导者选择机制,旨在从存档中识别和选择最佳解决方案。
2.多目标优化
多目标优化问题是指具有多个目标函数的优化问题:
M
i
n
i
m
i
z
e
:
F
(
x
⃗
)
=
f
1
(
x
⃗
)
,
f
2
(
x
⃗
)
,
.
.
.
,
f
o
(
x
⃗
)
,
S
u
b
j
e
c
t
t
o
:
g
i
(
x
⃗
)
≥
0
,
i
=
1
,
2
,
.
.
.
,
m
,
h
i
(
x
⃗
)
=
0
,
i
=
1
,
2
,
.
.
.
,
p
,
L
i
≤
x
i
≤
U
i
,
i
=
1
,
2
,
.
.
.
,
n
,
\mathrm{Minimize:~F}(\vec{x})=f_{1}(\vec{x}),f_{2}(\vec{x}),...,f_{o}(\vec{x}),\\\mathrm{Subject~to}:g_{i}(\vec{x})\geq0,i=1,2,...,m,\\h_{i}(\vec{x})=0, i=1,2, ...,p,\\L_{i}\leq x_{i}\leq U_{i}, i=1,2, ...,n,
Minimize: F(x)=f1(x),f2(x),...,fo(x),Subject to:gi(x)≥0,i=1,2,...,m,hi(x)=0,i=1,2,...,p,Li≤xi≤Ui,i=1,2,...,n,
在求解目标函数最大化的问题的时候, 解 X 优于解 Y 的条件是当且仅当 X ≻ Y X\succ Y X≻Y。当出现这种情形时, 我们便定义一个可行解在问题所给的目标函数中都表现出相等或者是更优的目标值, 同时该解在不止一个目标函数中显现出优于其他解, 这种情况下的可行解才是解的集合中最优。
学者们考虑在不失一般性的条件下, 对最大化问题的 Pareto 优势数学定义:
2.1 Pareto 支配
假设向量 x ⃗ = ( x 1 , x 2 , . . . , x k ) \vec{x}=(x_{1},x_{2},...,x_{k}) x=(x1,x2,...,xk)和 y → = ( y 1 , y 2 , . . . , y k ) {\overrightarrow{y}}=(y_{1},y_{2},...,y_{k}) y=(y1,y2,...,yk),称向量 x 支配向量 y( x ≻ y x\succ y x≻y)当且仅当:
∀ i ∈ { 1 , 2 , . . . , k } , [ f ( x i ) ≥ f ( y i ) ] ∩ [ ∃ i ∈ 1 , 2 , . . . , k : f ( x i ) ] \forall\mathrm{i}\in\{1,2,...,k\},[f(x_i)\geq f(y_i)]\cap[\exists i\in1,2,...,k:f(x_i)] ∀i∈{1,2,...,k},[f(xi)≥f(yi)]∩[∃i∈1,2,...,k:f(xi)]
2.2 Pareto最优
解
x
⃗
ϵ
X
\vec{x}\epsilon X
xϵX称为Pareto最优当且仅当:
∄
y
⃗
∈
X
∣
F
(
y
⃗
)
≻
F
(
x
⃗
)
\nexists\vec{y}\in X\mid F(\vec{y})\succ F(\vec{x})
∄y∈X∣F(y)≻F(x)
2.3 Pareto 最优集
Pareto 最优集是指包含问题所有非支配解的集合(Pareto最优解集合),数学表达式:
P
s
:
=
{
x
,
y
∈
X
∣
∃
F
(
y
)
>
F
(
x
)
}
P_{s}:=\{x,y\in X\mid\exists F(y)>F(x)\}
Ps:={x,y∈X∣∃F(y)>F(x)}
2.4 Pareto前沿
Pareto 前沿是指包含相应 Pareto 最优解的目标值的集合:
P
f
:
=
{
F
(
x
)
∣
x
∈
P
s
}
P_f:=\{F(x)|x\in P_s\}
Pf:={F(x)∣x∈Ps}
3.Multi-objective generalized normal distribution optimization(MOGNDO)
3.1 单目标广义正态分布优化算法(GNDO)
3.2 多目标广义正态分布优化算法(MOGNDO)
Archive mechanism (AM)
档案系统包括两个核心部分:档案控制器和网格。档案控制器负责决定是否将解决方案加入档案,未被支配的解决方案将被添加,而档案中已有解决方案支配的将被排除。此外,当新解决方案支配档案中现有成员时,会替换旧的解决方案。
当档案达到其容量限制时,会激活一个自适应网格机制,以维持档案内解决方案的多样性。网格将目标空间分为多个区域,新解决方案根据其位置被分配到相应的区域。如果新解决方案在网格外,则网格调整以包含新解决方案;如果在网格内,则分配到解决方案最少的区域。
Leader selection mechanism (LSM)
最佳解决方案被定位为当前的领先位置,引导搜索个体向最有希望的区域移动,以接近全局最优解。由于多目标搜索空间的复杂性,直接比较解决方案困难,因此采用了一个基于Pareto最优的领导者选择策略。该策略通过一个档案来记录到目前为止发现的最佳非支配解决方案,并从搜索空间中方案较少区域选择领导者,以此方法确定新的最优位置。选择过程使用轮盘赌方法,增加了来自人口稀疏区域的解决方案成为新领导者的概率:
P
i
=
C
K
i
P_i=\frac{C}{K_i}
Pi=KiC
其中,C为大于1的常数,K为第i段获得的Pareto最优解的个数。
因为领导者选择框架优先考虑拥挤程度最小的超立方体,并从各个部分中推荐领导者。为了提高MOGNDO在多目标问题上的性能,将NGDO中M参数修改为:
M
=
∑
i
=
1
N
x
i
l
e
a
d
e
r
N
M=\frac{\sum_{i=1}^Nx_i^{leader}}{N}
M=N∑i=1Nxileader
伪代码
4.结果展示
5.参考文献
[1] Khodadadi N, Khodadadi E, Abdollahzadeh B, et al. Multi-objective generalized normal distribution optimization: a novel algorithm for multi-objective problems[J]. Cluster Computing, 2024: 1-43.