论文学习——基于自适应选择的动态多目标进化优化有效响应策略

论文题目：Effective response strategies based on adaptive selection for dynamic multi-objective evolutionary optimization

基于自适应选择的动态多目标进化优化有效响应策略（Xiaoli Li a,b,c, Anran Cao a,∗, Kang Wang a）Applied Soft Computing Journal 162 (2024) 111756

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：

有一点创新的中心点预测,+通过去噪自动编码器 （DA） 提取变化模式,根据最后两个环境中的历史人口学习了映射矩阵+小范围的变异 三个策略

在使用一个概率轮盘赌的形式从上面选择个体

摘要

• 基于预测的算法是求解 DMOP 的最常见方法。然而，单一的复杂预测因子并不总是适合提取不同DMOPs的变化模式，更不用说具有不可预测变化的DMOPs了。
• 为了克服这些局限性，该文提出了一种简单而有效的算法，即基于自适应选择的响应策略（RSAS）。当发生变化时，RSAS通过不同的建议策略提供多样化的解决方案，即中心引导的自校正预测、基于个体的预测和精确可控的突变。
• 根据他们生成的解集的质量，自适应选择机制可以调整这三种策略的选择概率。由于RSAS不仅包含两种不同的预测策略，而且还包含突变策略，因此可以对可预测和不可预测的变化做出更快速的响应。

引言

本文提出的想法

该文提出了一种基于自适应选择的有效响应策略，即RSAS。本文的主要思想可以简要概括为：RSAS由自适应选择方法、中心引导的自校正预测、基于个体的预测和精确可控的突变组成。通过自适应选择，对3种策略的工作概率进行自适应调整。

背景及相关工作

A.DMOP基础

提出的算法

A.算法总框架

当发生变化时，自适应选择方法将根据每个策略在最后环境中的表现更新它们的选择概率。然后，三种策略生成新的解决方案集，并根据选择概率形成新的群体。

B.自适应选择方法

自适应选择方法可以增加对适宜响应策略的响应策略的响应概率，以应对动态环境 .

自适应选择方法计算每个获得的个体与优化的总体之间的平均最小距离。

和每个策略的选择概率

 

 

C.中心引导的自矫正策略 

做预测前做了一个扰动(0.5,0.75,1,1.25,1.5)采用非主导排序法找到非主导中心点确定Ct+1 ,再生成个体

 

 

D基于个体的预测 

提出了基于个体的预测 （IP），它通过去噪自动编码器 （DA） 提取变化模式,根据最后两个环境中的历史人口学习了映射矩阵。之后，学习到的映射矩阵将用于预测新的种群。

E精确可控的突变

让我想起了DMOES 复现的第一个论文 

 

对比算法

MOEA/D-KL 2021, MOEA/D-DM 2019, MOEA/DSVR 2020, and MOEA/D-AE 2022.