第四周组会——动态多目标优化算法

论文学习

动态多目标优化的多视图预测进化搜索

Evolutionary Search With Multiview Prediction for Dynamic Multiobjective Optimization（Wei Zhou , Liang Feng , Kay Chen Tan , Fellow, IEEE, Min Jiang , Senior Member, IEEE, and Yong Liu , Member, IEEE）

IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, VOL. 26, NO. 5, OCTOBER 2022

在许多实际的和基准的DMOPs中，变化不仅可能发生在决策空间，也可能发生在目标空间或决策和目标空间都发生的情况。先阶段仅从决策空间角度进行预测的DMOEAs可能无法处理具有其他动态特征的DMOPs对目标空间中POF的影响。

作者提出的想法：

动态检测时只采用5%的个体进行检测 

提出一种多视角预测方法，从决策空间和目标空间两个角度预测DMOPs的变化，为进化搜索求解DMOP提供更准确的指导。并一种高效的核化自编码模型对复杂的变化模式进行建模，该模型具有封闭形式的解（就是给出变量就能得到解），不会给预测带来太大的计算负担。

基于枢轴点预测和多样性策略混合的动态多目标优化

A dynamic multi-objective optimization based on a hybrid of pivot points prediction and diversity strategies
基于枢轴点预测和多样性策略混合的动态多目标优化（Jinhua Zheng a,b,d, Fei Zhou a,b,∗, Juan Zou a,b, Shengxiang Yang a,e, Yaru Hu a,c）Swarm and Evolutionary Computation 78 (2023) 101284

总结

又简单又复杂

预测一:在目标空间根据找到每个目标轴的极值点作为参考点然后找到枢轴线不断扩充点,在环境变化时,根据前时刻的情况对下一个时刻的枢轴点进行预测

预测二:根据种群前两个时刻的中心点进行预测,在监测到环境变化不相似时,中心点的移动长度乘一个随机数L.(好像文章中没有讲到怎么判断环境变化是否相似)

多种群:根据前面时刻的种群确定每个决策变量的最大值最小值在进行随机产生解,相比直接产生随机解增加了一点点收敛性(如果ps值的的变化趋势时变大的情况这个策略可靠吗?).

随机选取了种群中5 %的个体作为检测器来检测环境变化。如果目标值之间存在不匹配，则将其视为环境改变了

Ppiv(枢轴点)和Prand(多种群产生的解的数量)的大小分别设置为0.3 N和0.7 N。

(找到极值点)设第j个坐标轴上的极值点为xj，令xj为以Y = ( Y1 , Y2 , ... , Yn)T为坐标轴方向，最小化聚集函数g ( x | Y )的解。这里，n表示决策空间的维数。极值点的数学表达式如式( 3 )所示：式中：x∈Ω；Y为坐标轴的权向量；J为第j维坐标轴。为了搜索第j个轴上的极值点，需要固定第j个维度上的方向，则第j个维度方向上的权重向量为wj = 1，其他方向上的权重向量为wn = 10e-6 。如图2所示，x1和x2是(标记为绿色的点)的极值点，x1和x2被放入Q中.此时，Q中有两个个体x1和x2 .

 

算法想法：

在复现上次看的算法中的CD算子来计算环境变化的相似程度。