论文学习——一种新型动态多目标优化的预测策略

臭东西的学习笔记

已于 2024-01-12 13:45:20 修改

阅读量1.1k

点赞数 20

分类专栏：动态多目标优化文章标签：学习人工智能启发式算法算法

于 2024-01-12 13:43:11 首次发布

本文链接：https://blog.csdn.net/choudongxi/article/details/135525252

版权

动态多目标优化专栏收录该内容

30 篇文章

订阅专栏

论文提出PBDMO算法，通过预测和动态调整策略，针对动态多目标优化问题提高收敛速度和多样性。方法包括中心点迁移、新抽样策略以及收缩策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文题目：Novel Prediction Strategies for Dynamic Multiobjective Optimization

一种新型动态多目标优化的预测策略（Qingyang Zhang, Shengxiang Yang , Senior Member, IEEE, Shouyong Jiang, Ronggui Wang, and Xiaoli Li）IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, VOL. 24, NO. 2, APRIL 2020

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：

检测到变化就生成3个亚群保证多样性的同时加快收敛,具体总结看代码复现,看看能不能复现出来.

摘要

提出了一种基于预测的动态多目标优化算法(PBDMO)
检测到变化时就根据不同策略生成3个亚群
第一个亚群是通过使用具有不同步长的简单线性预测模型移动非支配个体来创建的。第二个亚群由一种新的抽样策略产生的一些个体组成，以改善种群收敛和分布。第三个子群体包括使用基于变量概率分布的收缩策略生成的一些个体。(确实美化的好)

引言

与单优化问题（SOP）不同，多目标优化问题（MOPs）通常涉及至少两个相互冲突的优化目标，需要同时优化。由于多对象性，求解 MOP 的目标不是找到单个最优解，而是找到一组权衡解。

目前现状与问题

为了求解DMOP，现有的大多数动态多目标进化算法（DMOEA）直接采用了静态多目标进化算法（MOEA）的技术，假设DMOP可以随时间推移划分为一系列MOP。

但是,DMOEA没有足够的时间在变化发生之前搜索最佳解决方案,所以DMOEA需要有快速收敛的能力,同时还需要保持好种群的多样性,并需要变化检测技术来防止算法在优化过程中被误导

本文提出的想法PBDMO

提出了一种新的预测策略,在发生变化后,将先前环境中的非支配解分散迁移到新的POF的估计位置周围
提出了一种分类策略,将决策变量分为主要组和非主要组
利用决策变量的概率分布来生产另一组良好的解
再结合这三个策略生成的解结合进行非支配排序形成一个新的环境群体.
PBDMO is more robust than the other algorithms as its performance does not fluctuate widely across a variety of problems with diverse dynamic characteristics