![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
动态多目标优化
文章平均质量分 90
臭东西的学习笔记
正在学习多目标优化算法,欢迎一起讨论
展开
-
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
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。原创 2024-07-17 15:27:52 · 1045 阅读 · 0 评论 -
论文学习-通过分层预测和基于子空间的多样性维护处理动态多目标优化环境
在这篇文章里,提出了一种居于分层预测(LP)和基于子空间的多样性维护(SDM)的进化算法来处理动态多目标优化(DMO)环境LP策略考虑了不同个体在进化过程中的不同进展程度和历史信息,以预测环境变化时的种群,从而做出及时的变化响应。SDM策略识别种群分布中的空缺,并采用空缺填补技术来增加种群多样性。SDM进一步通过基于子空间的概率模型指导合理的种群繁殖,以保持每一代进化中种群多样性和收敛性之间的平衡,而不管环境如何变化。后续通过实验证明了其在处理DMO问题上的有效性。原创 2023-10-18 19:34:15 · 133 阅读 · 1 评论 -
论文学习——一种新的具有分层响应系统的动态多目标优化算法
Introduction 写的挺好的.提出了一个CD参数代表环境变化程度,如果环境变化不低于最小值就简单的从之前的非支配解中进行优化为下一代.如果环境变化在设置的阈值之间就使用TL模型对PT-1的种群进行知识迁移.如果环境变化超过了阈值的最大值就保留一定的上一时刻的非支配借,并对种群进行初始化.原创 2024-03-09 14:11:08 · 911 阅读 · 0 评论 -
论文学习——一种用于动态多目标优化的稳态和世代进化算法
这是platemo上唯二的多目标动态优化算法该文提出了一种新的算法,即稳态和世代进化算法,该算法结合了稳态算法的快速稳定跟踪能力和世代算法良好的多样性保持能力,用于处理动态多目标优化.原创 2024-01-25 15:13:55 · 1004 阅读 · 0 评论 -
论文学习——一种新型动态多目标优化的预测策略
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.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)原创 2024-01-12 13:43:11 · 918 阅读 · 1 评论 -
论文学习-一种基于相关性的分层预测方法,用于进化动态多目标优化
首先是针对LPM的出现问题提出一个解决办法,就是基于相关性分析把种群按照6:3:1的比例分成3个亚种群(高,中,低)相关性针对高相关性的子群,采取LPM预测POS的运动方向针对中相关性的子群,采取方向和长度矫正模型(DCM,LCM)自适应预测pos的变化针对低相关性的子群,采取用之前保存的优异非支配解替代的策略来保持种群的多样性先简单的写一点...原创 2023-12-06 15:28:35 · 1842 阅读 · 3 评论 -
多目标优化算法中的性能指标
多目标优化问题一般有D个决策变量,N个目标函数,所以他会有两个空间,一个是决策变量空间(D维度,代表决策变量的分布情况),一个是目标空间(N维度,表示每个目标值的分布情况,pareto前沿就在这上面)原创 2024-02-02 09:39:26 · 1818 阅读 · 0 评论 -
论文学习‐进化动态多目标优化的逆高斯过程建模
对于DMPOS来说,跟踪变化的Pareto最优前沿是非常有挑战性的,而大多数的传统方法是在决策空间中估计Pareto最优值,这样得到的解并不一定令人满意。由于现有方法对目标与决策向量之间具有非线性相关性的DMOPs处理精度较低,这极大的限制了逆模型的应用。这篇文章提出了一种基于逆高斯过程(inverse Gaussian process,IGP)的DMOPs预测方法。该方法利用IGP构造一个预测器,将历史最优解从目标空间映射到决策空间,还提出了一种在目标空间生成样本点的采样机制。原创 2023-10-17 13:35:40 · 325 阅读 · 0 评论 -
论文学习—在进化多目标优化中通过局部子集选择增强多样性
先写了一半剩下的下周看多目标进化算法 (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)原创 2023-12-08 12:43:23 · 1002 阅读 · 0 评论 -
论文学习-动态多目标优化的多目标进化策略
提出了一种基于ES的求解DMOPs的进化算法。首先,一个高效的自适应精度可控变异算子可以产生新的个体来探索和利用具有所需搜索精度的决策空间。对于较小的决策空间,搜索精度越小,收敛速度越快。其次,新的小生境技术模仿了各向同性的磁性粒子,它引导个体保持均匀的距离和扩展来自动逼近整个Pareto前沿。第三,NDSs引导的移民提供了两种不同的收敛策略,可以有效减少不必要的计算量,提高在变化环境下快速收敛到新PF的能力。原创 2023-10-17 15:42:18 · 188 阅读 · 0 评论 -
动态多目标优化算法基准测试问题JY
在学习动态多目标优化算法的过程中,发现platemo上关于DMOPs的相关测试基准问题就只有一个FDA,而FDA问题当中的pareto前沿的变化都是同形状的迁移,基于此看了此文章基准测试问题为(JY)JY基准测试函数.原创 2024-02-15 22:50:39 · 2090 阅读 · 2 评论 -
论文复现——Novel Prediction Strategies for Dynamic Multiobjective Optimization
这两周复现了一个动态多目标优化算法PBDMO,感觉一些细节内容上还没有写好,结果已经是好的了.主要是在检测到环境变化时按3个策略得到三个种群。原创 2024-01-25 16:06:22 · 603 阅读 · 0 评论 -
论文学习— 基于双搜索策略的多目标动态优化粒子群算法
为了应对算法的收敛性、多样性并能够快速对环境变化作出反应作者提出了一种基于双搜索策略的粒子群优化算法.设计了两种搜索策略来更新每个粒子的速度,提出了一种有效的动态响应机制,由存档集预测和分片搜索策略组成。原创 2023-12-13 16:43:01 · 2334 阅读 · 1 评论 -
论文学习——基于注意力预测策略的动态多目标优化合作差分进化论
DE算法使用一个种群通过多代来寻找最优解。记种群规模为S,优化函数为f ( X )。种群中的每个个体i都有一个位置Xi = [ Xi , 1 , ... , Xi , d , ... , Xi , D],其中d为维度指标,D为决策空间的维度。每一代每个个体执行变异和交叉算子来更新自己。原创 2024-03-10 15:49:01 · 910 阅读 · 0 评论 -
论文学习——动态多目标优化的多视图预测进化搜索
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。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。还有一些少的算法虽然考虑到了在目标空间中进行预测但也忽略了在决策空间里的变化。原创 2024-03-13 13:56:27 · 1055 阅读 · 0 评论 -
论文学习——基于小生境预测策略的动态多目标进化算法
通过小生境思想把种群分成3份,每一份独立进行中心点预测,并在区域内随机生成一些种群保持多样性,简单有效在众多动态多目标优化算法的策略中,基于预测的响应机制是一种常用的应对环境变化的方法,通常被称为基于中心点的预测。但是,如果中心点的预测方向不准确,则预测的人口数量会偏向一侧。在本文中,我们提出了一种基于中心和边界点的小生境预测策略( PCPB )来解决动态多目标优化问题检测到环境变化后,第一步进行生态位划分,将PS中的不同个体划分为不同的生态位种群。第二步是独立预测不同的小生境。原创 2024-07-05 13:45:00 · 571 阅读 · 0 评论 -
论文学习——基于枢轴点预测和多样性策略混合的动态多目标优化
挺简单明了又高效的算法三个部分双重预测+多种群: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?).原创 2024-03-13 13:56:12 · 1090 阅读 · 0 评论 -
论文学习——动态多目标优化的一种新的分位数引导的对偶预测策略
这篇的NQDPEA和前几天看的RMDIF算法两个几乎是相似的,RMDIF发表于2024年修改了一下分位点以后的预测策略,和最后的预测个体自适应选择功能在NQDPEA中,种群的进化由分位数引导,即通过历史分位数信息来预测新环境中分位数的位置。然后,根据新分位数的位置扩展一个新的解集。此外,它的预测策略不仅在决策空间中通过分位数预测Pareto最优集( PS ),而且在目标空间中通过分位数预测PF,然后映射回决策空间。通过自适应组合策略,每个预测策略产生的新解的比例自适应变化。原创 2024-07-05 16:00:29 · 623 阅读 · 0 评论 -
论文学习——基于类型检测的动态自适应多目标优化算法
本文提出了一种自适应动态多目标进化类型检测算法( TDA-DMOEA )。首先,设计动态检测算子,识别动态问题的类型。采用Wilcoxon符号秩检验和超体积( Hyper Volume,HV )分别检测两个相邻环境下POS和POF的差异。针对DMOP的不同变化类型,设计了不同的响应策略。特别地,当面临POS和POF同时变化时,提出了一种基于闭核函数的多角度迁移学习方法( MA-TL )。原创 2024-07-04 20:11:16 · 826 阅读 · 0 评论 -
论文学习——一种自适应提升的动态多目标优化进化算法
很新奇的静态优化方法选择策略,在第一次静态优化时,分3个种群试验他的性能来选择合适的静态优化器,具体效果可能还是需要写出来再看看.环境变化以后如果非支配占总体少于70%就采用移动支配解向非支配解靠近并进行交叉变异正常环境响应就是随机把种群分成3分分别采用1.中心点预测(+一点高斯扰动)和2.使用记忆方法判断环境的相似程度以后采用预测方法3.使用遗传算子、多项式突变和高斯突变来保证种群的多样性.再根据静态优化时个体移动的距离来更新3个方法的使用的权重.很牛逼的创新点,因为方法都不难,为什么我脑袋空空.原创 2024-06-29 15:39:50 · 1180 阅读 · 0 评论 -
论文学习——基于区域多向信息融合的动态多目标优化引导预测策略
找到非支配解的25%,50%,75%,分成3个子区域得到他们的边界点,每一个子区域通过边界点和中心点来综合预测下个区域的个体然后采用NQDPEA的逆线性模型从目标空间预测个体提出的多阶段自适应性调整策略,根据非支配解的个体动态调整 从目标空间映射的解和决策空间预测解的比例区域划分对于求解动态多目标优化问题 (DMOP) 非常有效。但是,大多数区域划分方法仅使用特定的单个信息来预测每个区域内的方向。当个体分布不规则时,它们的效率会降低,并且使用多种方法来获取高质量区域会产生高昂的计算成本。原创 2024-07-04 15:41:07 · 1124 阅读 · 6 评论 -
论文学习——基于双重变异的动态多目标优化进化算法,具有不可检测的变化
每次环境变化时,根据非支配解的数量选择出需要变异的解的数量,如果解是支配的则采用多项式变异,如果解是非支配的则采用高斯变异.目前关于动态多目标优化问题( DMOPs )的研究大多假设环境变化是可检测的然而,在实际应用中经常会遇到不可检测的变化,这对现有的方法提出了严峻的挑战。由于无法检测到的变化会导致变化检测技术失效,从而使大多数算法难以适应环境变化。因此,为了有效地处理不可检测变化的DMOPs,本文提出了一种基于双变异的动态多目标进化算法( DMDMOEA )。原创 2024-07-10 14:03:26 · 803 阅读 · 0 评论 -
论文学习——基于距离的随机变化动态多目标优化的马氏诺比斯方法
马氏距离(MD)是从欧几里得距离扩展而来的,可以有效地处理不同维度或变量之间的非独立和相同分布问题,并考虑样本集的所有变量特征,MD可以检测来自不同进化环境的样本集之间的相似性.看了一半看不太懂,就是用这个MD对i-t时刻进行环境评估,如果相同的话就不保存当前的信息?我基础太差了看这个有点吃力。原创 2024-03-09 15:28:08 · 448 阅读 · 0 评论 -
论文学习——使用基于多项式拟合的预测算法求解动态多目标问题
静态RM-MEDA动态发生时,基于中心点预测步长为0.3和1,根据前两个时刻的种群曲线移动方向预测出新时刻的种群曲线并在周围生成个体,PBDMO的随机采样提出一种基于多项式拟合的预测算法(PFPA),并将其纳入基于模型的多目标分布估计算法(RM-MEDA)中,用于求解动态多目标优化问题。首先,利用过去环境中获得的非支配解,基于多步运动策略预测高质量解;其次,设计了一种基于多项式拟合的策略,根据得到的搜索总体拟合变量的分布,并捕获了新搜索环境下变量之间的关系;原创 2024-07-02 17:36:14 · 585 阅读 · 0 评论 -
论文学习-基于聚类减少负迁移学习的动态多目标优化
本文提出了一种聚类迁移 CBT(clustering-based transfer)学习方法来解决DMOPs。当环境发生变化时,使用两种新颖的操作(基于聚类的选择( CBS )clustering-based selection)和CBT )来指导知识转移。原创 2023-10-09 16:38:19 · 338 阅读 · 1 评论 -
论文学习-通过自动编码进化搜索解决动态多目标问题
自编码进化搜索可以看作是基于多样性方法和预测的相结合,在遇到环境变化时,使用自编码器学习t-1时刻到t时刻的pos路径并对t到t+1时刻的路径做出预测。并随机保存下t时刻的一半解来维持种群的多样性。原创 2023-10-10 15:16:21 · 172 阅读 · 1 评论 -
论文学习-基于决策变量分类的动态多目标优化算法
现阶段提出了许多多目标进化算法(DMOEAs)主要是将多样性引入或者是预测方法与传统的多目标进化算法相结合,用来解决多动态多目标规划问题(DMOPs)。保持种群多样性和收敛性的良好平衡对DMOEAs的性能至关重要。本文提出了一种基于决策变量分类的MMOEA(DMOEA-DVC)。DMOEA - DVC在静态优化和变化响应阶段分别将决策变量分为两组和三组。在静态优化中,对两个决策变量组采用两种不同的交叉算子,在加快收敛的同时保持良好的多样性。原创 2023-09-27 20:30:39 · 573 阅读 · 1 评论 -
论文学习-动态约束多目标问题的一种新进化算法
提出了一组具有挑战性特征的通用问题来促进动态约束多目标优化的研究问题包括真实的pareto前沿的不同模式和变化的可行域并设计了一个具有非支配解选择算子、配对选择策略、种群选择算子、变化检测方法和变化响应策略的动态约束多目标优化算法原创 2023-10-12 15:18:30 · 363 阅读 · 0 评论 -
论文学习-基于流形迁移学习的快速动态多目标进化算法
本文提出了一种新的记忆驱动流形动态多目标进化算法( MMTL-DMOEA ),该方法将记忆机制保存过去最好个体与流形TL特征相结合,预测进化过程中新实例处的最优个体。然后,从过去经验和未来预测中获得的这些个体的精英将作为优化过程中的初始种群。原创 2023-10-13 15:03:46 · 459 阅读 · 2 评论 -
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
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。原创 2024-07-17 14:20:38 · 760 阅读 · 0 评论