多目标随机油漆优化算法(MOSPO)

---

1.摘要

随机油漆优化算法（SPO）原先用于单目标优化问题，已被修改为解决多目标优化问题，称为多目标随机油漆优化算法（MOSPO）。MOSPO采用颜色理论、色轮和颜色组合方法作为主要概念，并通过四条简单的颜色组合规则来优化探索和开发效率，这些规则不涉及任何内部参数。MOSPO还引入了领导选择策略和外部存档机制。

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:
$$\begin{gathered} \mathrm{Minimize}:\mathrm{F}(\vec{x})=f_1(\vec{x}),f_2(\vec{x}),...,f_o(\vec{x}), \\ \mathrm{Subject}\mathrm{to}:g_i(\vec{x})\ge 0,i=1,2,...,m, \\ {h}_i(\vec{x})=0,i=1,2,...,p, \\ {L}_i\le x_i\le U_i,i=1,2,...,n, \end{gathered}$$

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$X\succ Y$。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$\vec{x}=(x_1,x_2,...,x_k)$和$\overrightarrow{y}=(y_1,y_2,...,y_k)$，称向量 x 支配向量 y($x\succ y$)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$\vec{x}ϵX$称为Pareto最优当且仅当:
$$\nexists \vec{y}\in X\mid F(\vec{y})\succ F(\vec{x})$$

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 Stochastic Paint Optimizer(MOSPO)

3.1 单目标随机油漆优化算法(SPO)

【智能算法】随机油漆优化算法（SPO）原理及实现

3.2 多目标随机油漆优化算法(MOSPO)

多目标随机油漆优化器（MOSPO）是对单目标随机油漆优化器（SPO）的扩展，用于解决多目标优化问题。MOSPO增加了三个功能：归档、领导者选择和网格机制。归档功能用于存储非支配解；网格机制用来增强归档中的解决方案；领导者选择机制基于当前种群的最佳颜色来选择领导者。这些新特性使MOSPO能够在搜索空间中更有效地探索和利用，提高解决方案的质量和多样性。

领导者选择策略优先考虑搜索空间中人口较少的区域，然后提供最佳颜色作为非支配解决方案。使用轮盘赌方法，为每个超立方体分配以下概率：
$$P_i=\frac{C}{N_i}$$

4.结果展示

5.参考文献

[1] Khodadadi N, Abualigah L, Mirjalili S. Multi-objective stochastic paint optimizer (MOSPO)[J]. Neural Computing and Applications, 2022, 34(20): 18035-18058.

6.代码获取