【多目标优化】3. 基于分解的多目标进化算法 —(MOEA/D)


基于分解的多目标进化算法 (MOEA/D)

一种基于分解的多目标进化算法,是由张青富教授和李辉博士在 2007年发表在《IEEE Transactions on Evolutionary Computation》上的一篇文章。他们提出了区别于基于支配的MOEAs的另一种算法框架。

张青富教授专门为 MOEA/D 创建了相应的网站,网址为:http://dces.essex.ac.uk/staff/zhang/webofmoead.htm,上面有很多由 MOEA/D发展出来的新型且有效的 MOEAs,并且 MOEA/D 的原始模型以及各版本的代码都已经被共享,这样可以更大程度地吸引研究者们对MOEA/D发展的关注,同时对以后的研究者提供了便利学习的渠道。

基于分解的多目标进化算法(Multi-objective Evolutionary Algorithm Based on Decomposition, MOEA/D)将多目标优化问题被转化为一系列单目标优化子问题,然后利用一定数量相邻问题的信息,采用进化算法对这些子问题同时进行优化。因为Pareto前沿面上的一个解对应于每一个单目标优化子问题的最优解,最终可以求得一组Pareto最优解。由于分解操作的存在,该方法在保持解的分布性方面有着很大优势,而通过分析相邻问题的信息来优化,能避免陷入局部最优。

(1)MOEA/D 中使用的产生权向量的方法

MOEA/D 使用了单纯形格子点设计法来产生权向量。首先,需要确定一个正整数 H 。那么权向量的个数为 N :\lambda ^{1}\lambda ^{2}......\lambda ^{n} 由参数 H 控制。具体为每个权向量都会从集合\left \{ \frac{0}{H},\frac{1}{H},...,\frac{H}{H}\right \}中选取对应的值,所以权向量的个数可以通过公式 N=C_{H+m-1}^{m-1} 来计算。

举例:当m=3,H=1时,有3各权向量产生:(0,0,1),(0,1,0),(1,0,0);

           当m=3,H=2时,有6各权向量产生:(0,0,1),(0,1,0),(1,0,0),(0,1/2,1/2),(1/2,0,1/2),(1/2,1/2,0);

           当m=3,H=3时,有10各权向量产生:(0,0,1),(0,1,0),(1,0,0),(0,1/3,2/3),(0,2/3,1/3),(1/3,2/3,0),(2/3,1/3,0),(1/3,0,2/3),(2/3,0,1/3),(1/3,1/3,1/3);可以画出当 m=3,H =3时对应的点图:

可以看到在图中的 10 个点于三角平面内的分布实际上并不十分均匀,并且这些点中有太多的点都分布在了边界上,我们认为这将会使求得解的质量大受影响。 

(2)MOEA/D 中使用的分解方法

MOEA/D 使用的分解方法有:

加权和法(Weighted  sum  approach,简称 WS);

切比雪夫法 (Weighted  Tchebycheff  approach ,简称 TCH) ;

基于惩罚的边界交集法(Penalty-based boundary intersection,简称 PBI)。

在(1)的权向量产生方法中可以预先产生一组权向量 \lambda =\left \{ \lambda_{1},\lambda _{2},...,\lambda _{n} \right \}^T,其中,对于所有的 i=1,...,m,都有 \lambda_{1}\geq 0,且 \sum _{i=1}^{m}\lambda_{1}= 0

1)加权和法(WS)。经过这种方法分解后所得的单目标优化问题为:

\begin{cases} & \text{ min } g^{ws}(x|\lambda ) =\sum _{i=1}^{m}\lambda_{i}f_{i}(x)\\ & \text{ subject to } x\in \Omega \end{cases}(1-1)

其中 x 是需要优化的变量。加权和分解法将所有的目标函数做了累加处理,然后作为一个整体的子问题来进行求解。文献中表明这种分解方法对凸优化问题的效果较好,但是对于PF 为非凸的情况往往不能求得很好的解。

2)切比雪夫分解法(TCH)。经过这种方法分解后所得的单目标优化问题为:

\begin{cases} & \text{ min } g^{tcs}(x|\lambda,z^* ) =max (1\leq i\leq m)\left \{ \lambda_{i}|f_{i}(x)-z_{i}^{*}| \right \}\\ & \text{ subject to } x\in \Omega \end{cases}(1-2)

其中,z^{*}=(z_{1}^{*},z_{2}^{*},...,z_{m}^{*})^T表示一系列参考点,也就是说,对于每一个 i=1,2,...,m,z_{i}^{*}<min \left \{ f_i(x)|x\in \Omega \right \}。可以知道对于一个Pareto最优解 x^*,必然会存在依据权向量 \lambda 使得x^*是(1-2)一个最优解,并且每一个(1-2)的最优解都会对应一个多目标优化问题的Pareto最优解,所以,通过改变权向量,我们就可以通过使用 TCH 分解法的 MOEA/D 来获得更多不同的 Pareto 最优解。

3)基于惩罚的边界交集法(PBI)。经过这种方法分解后所得的单目标优化问题为:


 

 (1-3)

其中,z的含义同2),\theta表示一个惩罚因子,经验上,当解决目标个数大于 2 个的 MOPs 时,若使用相同分布的权向量,使用 PBI 分解法的 MOEA/D 会比使用 TCH 分解法的 MOEA/D 效果更加好。但是,这也需要为此付出代价,也就是必须设置有效的惩罚因子 \theta

(3)算法框架

MOEA/D 的基本思想是使用一个聚合函数将一个 MOP 分解为一系列的单目标子优化问题,然后使用其他的进化算法对他们同时进行优化求解。


本文参考:

基于MOEA_D的改进研究_郑伟

基于分解的多目标进化算法(MOEA/D)

评论 6 您还未登录,请先 登录 后发表或查看评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
©️2022 CSDN 皮肤主题:编程工作室 设计师:CSDN官方博客 返回首页

打赏作者

蓝色蛋黄包

你的鼓励将是我创作的最大动力

¥2 ¥4 ¥6 ¥10 ¥20
输入1-500的整数
余额支付 (余额:-- )
扫码支付
扫码支付:¥2
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值