论文学习——基于世代和环境响应策略的动态多目标优化框架

论文题目：A framework based on generational and environmental response strategies for dynamic multi-objective optimization

基于世代和环境响应策略的动态多目标优化框架(Qingya Li a, Xiangzhi Liu b, Fuqiang Wang b, Shuai Wang c, Peng Zhang b, Xiaoming Wu b,∗）Applied Soft Computing Journal 152 (2024) 111114

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：

基于中心点的预测+一部分记忆最优解+随机产生

并且在静态环境中也使用中心点预测预测出下一代的个体 优化使用RM-MEDA

摘要

• 由于动态多目标优化问题( Dynamic Multiobjective Optimization Problems，DMOPs )的动态性和不确定性，算法很难在下一次环境变化之前找到满意解集，特别是对于一些复杂环境。一个原因可能是环境静态阶段的信息在传统框架中不能得到很好的利用
• 本文提出了一种新的基于世代和环境响应策略的框架( FGERS )，在环境变化阶段和环境静态阶段都运行响应策略，以获得这两个阶段的种群进化信息。
• 选择前馈中心点策略作为新型动态框架( FGERS-CPS )中的响应策略。FGERS - CPS不仅要在环境变化阶段预测最优解集的变化趋势，还要在环境静态阶段预测种群经过若干代后的演化趋势。

引言

目前存在的问题

从作者列举出的其他算法,和目前大多数的DMOAs来说,所有的响应策略都是在环境变化阶段一开始就实施的,但是算法还是经历了两个阶段.

本文提出的想法

设计了一个新框架,可以在环境变化阶段和环境静态阶段设计响应策略。并提出了新框架中的一个应用实例( FGERS-PS )。FGERSCPS不仅在环境变化阶段使用前馈中心点法进行预测；同时也利用该方法在环境静态阶段对种群的收敛趋势进行预测。然后预测种群结合当前种群进行环境选择，被选择的个体进行下一代的环境进化。

传统的动态框架和新型动态框架

A.传统的动态框架

B.新型动态框架

除了环境响应机制外，新框架还加入了世代响应机制。因为在一些复杂的动态环境(如变化频率低或变化剧烈程度大的环境)中，收敛的难度会更大。如果在如此复杂的环境中仅仅使用环境响应机制，得到的解并不总是令人满意的。世代响应机制可以在静态环境下通过判断种群经过若干代后的收敛方向来加速种群的收敛，从而在下一次环境变化之前得到更优的解。 

FGERS-CPS

环境响应策略包括3个方面：基于前馈中心点的预测策略；简单记忆策略和自适应多样性维护策略。

A.环境响应策略

1基于前馈中心点的预测策略

额外加了一点高斯扰动

2内存机制

在该策略中，当前环境中的一些固定数量的最优个体在下一次环境变化后直接保存到初始种群P opt + 1中。这里，记忆个体的数量称为Nmem 

3自适应多样性维护策略

只是在种群中引入随机个体，与预测的非支配集和记忆集一起组成一个种群，作为环境变化后的初始种群。这些随机个体组成的集合称为这里的多样性集合。多样性集合的大小称为Ndiv。

事实上，多样性集的大小等于种群的大小减去预测的非支配集的大小和记忆集的大小，即Ndiv = Npop - Nnd - Nmem。

B世代响应策略

在静态环境中直接预测下一代的人口 

对比算法找的

  RIS(2017) FPS(2006) PPS(2013) SPPS(2019)