1.摘要
本文描述了一种新的多目标进化优化算法的选择技术,其中选择单元是目标空间中的超箱(hyperbox)。在这种技术中,选择性适应度不是分配给个体,而是分配给目标空间中当前至少有一个个体占据的超箱,这些个体代表了当前对帕累托前沿的近似。因此选择了一个超箱,并且从这个超箱中随机选择了一个个体作为结果。这种选择方法被显示为比基于个体的选择更能敏感地确保沿帕累托前沿的发展良好扩散。
2.进化多目标算法中的区域选择
2.1 基于个体选择
本文描述了几种用于多目标进化算法中的选择技术,它们通过不同的方式来提高解决方案的质量和多样性,特别是在优化过程中如何维持和发展帕累托前沿。
- PESA(Pareto Envelope-based Selection Algorithm): 该算法通过维护一个只包含非支配解的档案,并将选择性适应度分配给占据同一超箱的解的数量(挤压因子)。
- PAES(Pareto Archived Evolution Strategy): 这是一种局部搜索方法,其特点是在每次迭代中只有一个当前解,并始终将其作为变异的父代。当当前解和变异体都是非支配时,需要做出决策以确定新的当前解。
- SPEA(Strength Pareto Evolutionary Algorithm): 在这种方法中,强度是基于个体覆盖的其他个体数量来定义的,其中“覆盖”是指一个个体支配或等于另一个个体。SPEA通过维护一个内部种群和一个外部种群组织选择,外部种群仅包含非支配个体,而内部种群则包含最新一批通过遗传操作生成的子代。
- NSGA-II(Non-dominated Sorting Genetic Algorithm II): 该算法使用一种不同的选择技术,通过计算个体与最近个体之间的距离来评估其隔离度,从而为个体派生选择性适应度。选择偏好于具有高隔离值的个体,从而鼓励解的多样性和质量。
PS:这些算法共同特点是偏向个体稀疏的目标空间区域,增强帕累托前沿的均匀分布。每种方法在如何估计个体的隔离度或独立性上有所不同,但都强调在拥挤区域之外提高在孤立区域个体的选择概率。
2.2 基于区域选择
基于区域的选择是通过在目标空间内划分超箱来实现的,选择的单位是超箱而不是个体,这种方法有助于直接实现优化目标,特别是在处理拥挤的目标空间和需要维持解的多样性时表现出优越性。
论文讨论了更为典型情况下的选择概率分布:
- 假设有 b b b 个被占用的超箱,总共 P P P 个个体,每个超箱 j j j 拥有最大的 b i b_i bi,另一个拥有最小的 n i n_i ni,最少和最多拥挤的超箱分别有 l l l 和 m m m 个个体。
- 基于个体的选择中,从最不拥挤的超箱选择一个个体的概率是 1 − ( P − l P ) 2 1 - \left(\frac{P-l}{P}\right)^2 1−(PP−l)2,而从最拥挤的超箱选择一个个体的概率是 ( m P ) 2 \left(\frac{m}{P}\right)^2 (Pm)2;比较这两个概率,其比率为 2 P l − l 2 m 2 \frac{2Pl - l^2}{m^2} m22Pl−l2。
- 当 m m m 相对于 l l l 很高时,选择孤立个体的机会会大幅减少,这可能不合理地将选择偏向于拥挤区域。
- 相比之下,基于区域的选择的比率固定为 2 b − 1 2b - 1 2b−1,不受不同超箱中个体数量的影响,永远不小于1。
3.结果展示
4.参考文献
[1] Corne D W, Jerram N R, Knowles J D, et al. PESA-II: Region-based selection in evolutionary multiobjective optimization[C]//Proceedings of the 3rd annual conference on genetic and evolutionary computation. 2001: 283-290.