iLSMOA-2020 - 阅读笔记

Iterated Problem Reformulation for Evolutionary Large-Scale Multiobjective Optimization

C. He, R. Cheng, Y. Tian and X. Zhang, “Iterated Problem Reformulation for Evolutionary Large-Scale Multiobjective Optimization,” 2020 IEEE Congress on Evolutionary Computation (CEC), Glasgow, UK, 2020, pp. 1-8, doi: 10.1109/CEC48606.2020.9185553.

一、摘要

由于维数的诅咒，将进化算法(EAs)应用于大规模多目标优化仍然面临两个主要的挑战：

• 一是如何提高 EAs 的效率以降低计算成本
• 二是如何提高 EAs 的多样性维护以避免局部最优（local optima）

然而，这两个问题在某种程度上是相互冲突的，因此在实践中保持两者之间的平衡至关重要。

因此，我们提出了一种基于迭代问题重构的大规模多目标优化方法，其中基于问题重构的方法和基于分解的方法，迭代地解决上述问题。

二、背景

A. 问题重构

为了加快已有 MOEAs 算法的收敛速度，提出了问题重构方法，将 LSMOP 问题转化为低维单目标优化问题。

注意，这种选择通常是通过一些在选择分布良好的解决方案方面具有强大能力的策略来实现的，例如 SPEA2

1. 首先，在决策空间中选取一些参考解来构造几个双向参考向量（bi-directional reference vectors）

2. 然后，将决策空间中从理想最低点到 PS 的步长定义为重新表述问题的决策变量；

3. 最后，通过一个性能指标，如 hyper volume (HV)指标，对目标空间进行重新表述，得到的值作为重新表述问题的适应度

详情请移步LSMOF[2]（暂时还未开坑~）

B. MOEA/D-DE

MOEA/D-DE 是 MOEA/D 的变体，它使用差分进化(DE)算子对后代[1]进行生成，如算法1所示：

在这个算法中，以 δ（delta） 的概率从领域中选取父代解，然后采用 DE 算子进行子代生成。具体来说，有三个父代解用于生成子代。假设 $x_1$， $x_2$， $x_3$ 是三个父代解，子代解 $$x=x_1+F\times (x_{}$$