论文学习-通过分层预测和基于子空间的多样性维护处理动态多目标优化环境-CSDN博客

本文链接：https://blog.csdn.net/choudongxi/article/details/133907508

论文题目：Handling Dynamic Multiobjective Optimization Environments via Layered Prediction and Subspace-Based Diversity Maintenance

基于决策变量分类的动态多目标优化算法（Ya ru H u , Jinhua Zheng , Shouyong Jiang , Shengxiang Yang , Senior Member, IEEE, and Juan Zou）IEEE TRANSACTIONS ON CYBERNETICS, VOL. 53, NO. 4, APRIL 2023

刚开始学习多目标优化算法，不作商业用途，如果有不正确的地方请指正！

个人总结：

摘要

在这篇文章里，提出了一种居于分层预测（LP）和基于子空间的多样性维护（SDM）的进化算法来处理动态多目标优化（DMO）环境
LP策略考虑了不同个体在进化过程中的不同进展程度和历史信息，以预测环境变化时的种群，从而做出及时的变化响应。
SDM策略识别种群分布中的空缺，并采用空缺填补技术来增加种群多样性。SDM进一步通过基于子空间的概率模型指导合理的种群繁殖，以保持每一代进化中种群多样性和收敛性之间的平衡，而不管环境如何变化。
后续通过实验证明了其在处理DMO问题上的有效性。

引言

在动态环境中，存在一个较短的时间(也就是说,在两个连续的环境变化之间)，在此期间DMOPs保持平稳。这一发现启发了许多研究人员将DMO视为动态处理和静态多目标优化的组合，也就是说，当环境发生变化时，通过合理的种群重新初始化或种群调整来对变化做出响应，然后进行常规的静态优化，直到下一个变化的到来。

然而这样会出现一个问题：变化响应阶段往往只持续几代(约10代或相当于1000次功能评价 ,)，并不能保证种群多样性在如此短的时间内得到完好的恢复。

本文提出的想法

1.一种变化响应的LP策略：该策略考虑了种群成员之间的进化差异，并通过历史种群信息来指导新环境的适者生存。根据新环境中优胜劣汰的适应性，对不太适合的成员进行更新。

2.缺口填补法：它填补了种群分布的空缺，从而始终保持良好的多样性。该策略旨在缓解种群多样性在短时间的变化响应中可能无法完全恢复的情况。

3.基于概率的种群繁殖：利用种群分布构建基于子空间的概率分布进行交配选择。这种交配选择策略提高了种群的多样性和收敛性。此外，与其他交配选择方法相比，它需要更少的参数。

基本定义

A.DMOP基础

B.相关定义

首先指定K个均匀分布的权重向量，即W = { w1，..，wi，..，wK }，wi∈Rm表示W中的第i个权重向量

定义1:向量集W将Rm划分为K个子空间如图：子空间为其中j∈1，..，K和〈F( x , t)，w〉是F( x , t)到权向量w的垂直距离，其中w∈W.在建立子空间后，种群的每个解根据其在Rm (如果解恰好在多个子空间的交集,则选择一个随机子空间)中的位置与唯一的子空间相关联。

定义2:对于权重向量集W，任意两个向量wi和wj之间的接近度定义为其中| | wi-wj | |为Rm中向量wi和wj之间的欧氏距离。

算法

算法的整体框架：如果检测到环境变化，就执行LP策略，然后，该算法进入SDM策略，旨在产生高质量的后代，无论变化如何，并为下一代种群选择在种群多样性和收敛之间取得良好平衡的种群，一种循环如上直到结束。

A.分层预测策略Layered Prediction Strategy

LP背后的基本思想是大致预测环境变化后的新POS和/或POF，伪代码如下：

LP顾名思义就是将总体分类为不同的层，并将每一层都朝着新的POS/POF方向移动。

首先使用快速非支配排序来获得非支配前沿L1，L2...通过这些前沿将种群分为三组Sub1，Sub2，Sub3 。
Sub1正好是L1，即整个总体的非支配解集。Sub2从L2中选择0.5*（N-｜L1｜）开始的个体，剩下的放在Sub3。刚好是三层分层预测模型。
接下来预测Sub1中的每个单独的xt在xt+1中有更好的位置其中Ct表示时间t处总体中非支配集的质心。（这里假设了下次变化幅度和上次一变化相近)
对Sub2中的每个单独的xt使用预测，其中Csub是更新后的Sub的质心
对Sub3采取超级突变操作进行更新，其中每个单独的xt都由计算，其中 $\delta$ 为扰动因子， $\Delta$ 是固定值的最大允许扰动。
下图是Sub1和Sub2的预测：
黑色是Sub1的预测，绿色是Sub2的预测。

B.基于子空间的多样性维护（SDM）

SDM 通过公式（2）将目标空间分解为 K 个子空间，再通过检查是否存在没有人口个体的子空间来识别人口分布中的差距，然后SDM对有间隙和没有间隙的子空间进行不同的复制，引入间隙填充方法为具有间隙的子空间生成一部分后代，并采用基于概率的方法使用子空间信息生成剩余部分后代种群。

1）间隙填充（Gap Filling）

首先通过权重将目标空间均匀的划分为k个子空间，再把人口映射到子空间中。
如果某个子空间没有群体，就会发现一个缺口并创建一个新的个体来填补这个缺口。
特别的为了帮助找到边界点，如果边界子空间只有一个个体，我们也把他认为是间隙。
假设子空间s是一个间隙，就在这子空间产生单独的y其中b是离S最近的无间隙子空间，r是另一个不同于S和b的无间隙子空间，如果s在中间，使得 wb − ws 和 wr − ws 之间的角度大于 π − 1/m；如果s是边缘间隙，R是随机选择的，使得wb − ws和wr − ws之间的角度小于1/m，确保B在几何上介于S和R之间。
如果S不是边间隙F的值为，其他情况F的值为前面值的负值。

2）基于概率的繁殖（Probability-Based Reproduction）

上面的子空间信息不仅可用于填补间隙，而且还提供了选择交配池进行繁殖的好方法。

对于交配时第二个父方由累积概率矩阵选择，该矩阵考虑任何两个子空间之间的邻近性，定义如下：i，j定义了选择交配父母的轮盘策略：子空间越接近第i个子空间，从该子空间中选择个体作为交配候选者的概率就越高

填充后代种群q的基于概率的繁殖程序，生成（N-｜E｜）个后代个体，前提是填补空白策略已经产生了｜E｜个个体。

首先确定一个父x以及子空间索引s1。x从存档V或者当前种群P中选择，从V中选择单个个体作为x或从选定的子空间中选择最好的个体。
一旦确定x的子空间索引，就可以通过（10）算法得出另一个交配的Y的子空间索引S2. Y是随机选择的。
新的个体 p 可以由差分进化（DE）运算符与交配的亲本 x 和 y 加上另一个随机总体个体 z创建。然后，将 p 添加到 Q 中。
当创建后代种群 Q 时，它用于存档更新（即，从 V 中删除支配成员并将非支配成员从 Q 添加到 V）。Q和P也结合形成新的种群P，用于下一代进化，这是使用NSGA-II的环境选择方法完成的。

整体算法的伪代码如下：