论文题目:Enhancing Diversity by Local Subset Selection in Evolutionary Multiobjective Optimization
在进化多目标优化中通过局部子集选择增强多样性(Zihan Wang , Student Member, IEEE, Bochao Mao ,HaoHao , Wenjing Hong , Member, IEEE, Chunyun Xiao, and Aimin Zhou , Senior Member, IEEE)IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, VOL. 27, NO. 5, OCTOBER 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:
总的来说就是太菜了没看懂,脑子稀里糊涂的
摘要
- 多目标进化算法 (MOEA) 的主要目标是找到一组均匀分布的非支配解,这些解近似于多目标优化问题 (MOP) 的帕累托前沿 (PF)。
- 所以我们得到的解既要有收敛(近似集应尽可能接近 PF),保持多样性
- 为了能更好的解决解的收敛性和多样性的问题,本文提出了一种基于局部子集选择(LSS)的环境选择方法.
- LSS通过从亲本和后代种群的组合中选择有前途的解决方案,将环境选择视为一个子集选择问题,并势能函数(potential energy function)被用作目标函数,它对多样性提供了很大的选择压力,并且计算复杂度较低。
- 此外,为了平衡搜索效率和质量,在LSS中采用局部搜索策略,充分利用客观信息进行加速.
引言
首先讲解了一下MOPs和MOEAs的定义,并进行了一些分类
大多数MOEA可以分为两类
- 基于分解的MOEA:
- 通常使用预定义的参考集,然后将每个个体与标量优化问题相关联,但是它的问题在于很难处理复杂的PF形状,因为这样的完美参考集很难在运行过程之前确定.
- 基于帕累托支配的MOEA:
- 通常将父母和后代的解决方案结合起来,并选择有前途的解决方案进入下一代.根据pareto支配将组合解划分为聚类,并根据多样性准则对同一聚类中的解进行排序,选择出有前途的解决方案
目前存在的问题
尽管已经提出了多种基于分解或帕累托支配策略的选择算子,但至少从视觉角度来看,还没有一个通用算子能够获得均匀分布的解来逼近形状复杂的PF。
主要原因可能是大多数现有的选择算子更强调收敛准则,即找到尽可能接近 MOP 的 PF 的解决方案
本文提出的想法
在选择算子中更加侧重于多样性标准.
基本思想是将基于帕累托支配的选择转化为子集选择问题,然后提出了一个称为局部子集选择 (LSS) 的子集选择算子,它由新颖的选择策略、选择准则和加速策略组成。
LSS亮点如下:
- 局部搜索,选择策略:利用局部搜索算法解决子集选择问题。与常用的贪婪启发式方法相比,局部搜索可以提供更好的性能;与EA等一些更高级的算法相比,本地搜索的计算复杂度要低得多
- 势能函数,选择准则:从电子系统中借来的势能函数用于测量种群分布。通过这种方式,无论几何属性如何,都可以产生均匀分布的PF近似值.
- 合作加速:在LSS中,通过局部搜索、势能函数和演化之间的合作,提出了两种加速策略。首先,通过在局部搜索中利用邻域解的信息,可以加快势能计算。其次,通过使用上一代的人口构建初始解集,可以提高局部搜索的质量和效率.
相关工作
A.子集选择
子集选择是根据优化目标从给定集合中选择一个子集,可以表达为:其中P*为选择出的最优子集,|p|表示集合的大小f(P)表示集合的质量.
B.基于帕累托支配的选择
基于帕累托支配的选择包含两个主要步骤,即非支配排序方案,将组合解划分为聚类,并且同一聚类中的解彼此之间是非支配的;并应用多样性准则来区分同一聚类中的解。如下是它的通用框架:
从子集选择角度分析NSGA-II:
在NSGA-II中使用了拥挤度距离来评估个体对多样性的贡献,个体x的拥挤度距离定义如下:dis值越大说明x在维持种群多样性方面起着重要作用.
在NSGAII中使用贪婪排序算法找出一个子集,使多样性最大化,但是这也会产生一个问题:如果有密集的点群,好几个点聚在一起,就算其中有一些点值得被保留会被算法一次性全部消除.
为此提出了一个改进的NSGAII算法,使用贪婪缩减算法作为优化策略,反复删除最差的个体,在删除个体后并对其他个体的贡献进行更新.改进后的NSGA-II具有更好的多样性.
但是无论是使用贪婪排序还是贪婪缩减都无法保证全局最优,下图是GR算法的一次掩饰,它在第一步就删除了最中间的点,然后最中间的点事存在于最优子集中的,因此从第一步开始,GR就失去了产生最优结果的机会:
从子集选择角度分析SMS-EMOA
SMS-EMOA使用超体积(hypervolume)作为多样性标准和进化中的稳态策略.参考点r的点集P的超体积定义为:其中,L(·) 表示集合的勒贝格度量,a ≥b 表示 a 主导 b
超体积的问题:在非线性 PF 上,无法通过最大化超体积来获得均匀分布解,而且超体积的计算在时间复杂度上非常昂贵
C.讨论
目前的选择算子或多或少都有其缺点。在本文中,我们提出了一种基于 LSS 策略的选择算子。为简单起见,我们考虑这样一种情况,即组合种群 P 包含 μ + λ 个互不相同的非优势解,我们的目标是利用多样性准则 f 选择 μ 个最佳解进入下一代,该准则可表述如下:P∗ = Sel(P,μ,f ).
子代选择策略:局部搜索
子集选择(尤其是 MOEAs 中的子集选择)的关键挑战之一是如何平衡效率和质量。一方面,常用的贪婪方法无法保证效率。另一方面,子集选择在 MOEA 中是一个频繁执行的过程,因此这部分的复杂度应该受到限制
A.多目标优化的局部子集选择
对于优化问题局部搜索算法的一般程序可归纳如下:
- 选择初始解S
- 定义S的邻域N(S)⊂Ω
- 如果 f (S′)<f (S),则移动 S ← S′∈ N (S)。
- 如果不满足终止条件,则转到步骤 2;否则,输出 S
要应用局部搜索来解决目标函数 f (·) 定义为 (1) 的子集选择问题,首先要设计邻域的定义和初始解.
邻域
在作者的案例中,局部搜索中的一个解 S 实际上是包含了 μ 个解的集合,把 S 和 S′ 之间的距离定义为它们的对称差的大小,即随后S的邻域就可以定义为
显然,上式中的ε=2,那么邻域大小为:|N (S)|=μ × λ
在这种情况下也可以把领域定义为:
在执行过程中,我们可以用 P\S 集合中的另一个元素替换 S 的一个元素,从而枚举出 S 的所有相邻解。
初始解决方案
局部搜索的效率和质量在很大程度上取决于初始解.
对于给定的种群 P,其解要么来自父种群,要么来自新产生的子种群。在没有其他信息的情况下,我们有理由相信父代解构成了 PF 的最佳近似值。因此,我们可以在局部搜索中使用 P 中的父代解来形成初始解 S,即
如果 |S| <μ,则从新生成的 S 解中随机选择一些,使 |S|=μ 。
算法伪代码如下:
B.实验研究
这一部分主要是比较l提出的子集选择与上述其他三种选择方法(即 GS、GR 和稳态)的性能。
子代选择策略:势能函数
自然界中一个有趣的现象是,相互作用的物理系统(如带电粒子)最终会形成一个均匀的分布,对应于最小的整体势能。根据这一观点,本文利用势能函数作为与 LSS 合作的选择标准.
A.势能函数
对于两个物体,势能与它们之间距离的倒数成正比。最小势能解对应于多个物体在三维物理空间中的多样化分布.在高维空间中,两点 xi 和 xj 之间的广义势能(又称里兹能)定义如下:
其中 || - || 表示模块,s 是控制参数在整篇论文中作者使用s=2M。对于包含一组体 P ={x} 的系统,其势能定义如下:
作者的算法使用势能函数作为子集选择目标,即 f (S) = E(S)并认为选择势能函数的优势在于:
- 高灵敏度:它对数据分布高度敏感。解的局部不均匀会严重影响整体度量值,因此它可以为解的间距提供强有力的指导,从而提供较高的选择压力。
- 计算复杂度低:与 HV 指标相比,系统的势能很容易计算。
- 几何不敏感:最小能量配置对形状不敏感,这意味着无论最优 PF 的形状如何,都能通过最小化势能获得均匀分布的解决方案
B.局部子集选择加速
这里好像是为了使算法复杂度能够更加简单,看了几眼觉得看不懂放弃了就看到这里了.