LSMOF-2019 阅读笔记

Accelerating Large-scale Multi-objective Optimization via Problem Reformulation

He C , Li L , Tian Y , et al. Accelerating Large-Scale Multiobjective Optimization via Problem Reformulation[J]. IEEE Transactions on Evolutionary Computation, 2019:1-1.

首先，要感谢一位小伙伴 Serenamii，这位小可爱和小白博主交流并讨论在阅读本文时遇到的问题，毫不夸张的说，这篇笔记（好吧，就是流水账）很大程度要感谢这位小可爱，因为很多地方都是小可爱启发博主的哦~

摘要

提出了一个提高进化算法在处理大规模多目标优化问题计算效率的框架，其主要思想是通过问题重构来直接跟踪帕累托最优解集

1. 算法在决策空间中获得一组参考方向，并将它们与一组权重变量相关联，从而确定帕累托最优解集

2. 将原本的 LSMOP 转化为低维单目标优化问题

   在转换后的优化问题中，决策空间由权重变量重构、由指标函数（indicator function）降低（reduce）目标空间。由于权重变量的低维化和目标空间的缩小，可以有效地得到一组最优解。

3. 利用 MOEA 将拟最优解均匀地分布在近似帕累托最优前沿面上

一、引言

本文的主要贡献：

1. 提出了一种新的问题重构方法，且计算效率可以显著提升

2. 提出了一种双向（bi-directional）权变量关联策略，以提高所提框架在决策空间中有效跟踪PS的性能。该策略不仅增加了问题的种群多样性以避免局部最优，而且消除了因单向矢量发散而导致的潜在的不均匀搜索。

3. LSMOF 采用了一种两阶段策略：

   第一阶段，采用基于决策空间重构的单目标优化算法，有效地将种群推向 PS；

   第二阶段，将候选解均匀地分布在近似 PS 上。

二、算法

算法 1 给出了所提出的大规模多目标优化框架(LSMOF)的主要流程，如图所示：

1. 初始化嵌入的 MOEA 的种群；
2. 然后采用两阶段策略。第一阶段的目标是在 PS 附近找到几个准最优解，第二阶段的目标是将这些准最优解均匀地分布在 PS 附近；
   • 在第一阶段，利用种群 P 对决策空间（decision space）进行重构，将原 LSMOP 重构(reformulated into)为低维单目标优化问题 $Z^{\prime }$；然后，使用单目标优化器对 $Z^{\prime }$ 进行优化。
   • 在第二阶段，基于第一阶段得到的种群 $P$ ，利用嵌入的 MOEA 对初始 LSMOP 进行优化

2.1. 问题重构

具体而言，所提出的问题重构包括三个步骤:双向权重变量关联、基于权变量的子问题构建和目标空间缩减。其中，前两步的目的是重建决策空间。

2.1.1 权重变量关联

在决策空间重构过程中，采用一组收敛性好且分布均匀的候选解，以指导算法向PS方向搜索。为简单起见，直接使用嵌入的MOEA中的环境选择，从当前种群 $p$ 中选择 $r$ 个解作为参考解集。然后，每个参考解与两个方向向量和两个权重变量相关联。这个操作的目的是明确决策空间中的搜索方向，引导种群向PS方向移动。

假设 $s_1=\left(x_1,...,x_D\right)$ 是 D维决策空间中的参考解；$o$ 和 $t$ 是决策空间的理想边界点和最低点边界点；$v_l$ 和 $v_u$ 分别是从 $o$ 和 $t$ 出发，指向 $s_1$ 的向量:

$$v_l=s_1-o$$

$$v_u=s_1-t$$

其中 $l$