多目标优化问题中常见分解方法的理解

        作为刚上研一提前来给老师当苦力的小菜鸟,第一次学习MOEAD算法的时候,对其中介绍的分解方法一脸懵*,上网查了不少资料,很难查到详细的解释(好吧,可能我查的姿势不对),完全不理解这些分割方法所给出的表达式的意义,索性搁置了小半个月。

这里必须要感谢一下Chithonhttp://blog.csdn.net/qithon/article/details/72885053#comments这篇博客,其中的两幅配图让我豁然开朗,当然,大神完全没有必要阅读这篇博客了,我只是说一下自己从向量和几何的角度是如何理解这些方法的。


Weighted Sum Approach

        该方法给出的表达式为:

        

        首先,λ被称之为权重向量,观察和式,这完全就是m维向量的点乘公式嘛。具体的说,在目标空间中,把算法求出的一个目标点和原点相连构造成一个向量,此时,该方法的做法是将该向量与对应权重向量点乘,由向量点乘的几何意义可知,所得的数为该向量在权重向量方向上的投影长度,因为权重向量不变,最大/小化该长度值其实就是在优化该向量。可知若要增大该向量在权重向量上投影的长度,一方面可以增大/减小与权重向量的夹角,另一方面可以增大/减小该向量的长度。样例图如下:


        上图中:考虑红色权重向量,因为是最小化问题,所以减小长度,增大夹角都是可行的方案,绿色为等高线,垂直于权重向量。

TchebycheffApproach

        该方法给出的表达式为:

        

        注意该方法中不再含有Σ符号,故不能再从向量点乘的角度理解。该方法大致思想是减少最大差距从而将个体逼近PF。等高线示意图如下:


        首先解释等高线为什么是这样的。单看f1函数,即只考虑纵坐标,若两点等值,必然是 式中f1的函数值相等(因为另外两个量是不变的),即纵坐标相等,所以f1函数的等高线是一组平行于横轴的直线。f2类似,为一组平行于纵轴的直线。

        那么,图中的等高线是横竖相交且刚好交在权重向量的方向上的,这是巧合吗?可以稍微来证明一下,可知,对于任何一个可行的切比雪夫值(自己叫的),我们从f1的角度上可以得到一个f1的值y,从f2的角度上可以得到一个f2的值x,他们的切比雪夫值是相等的,自然想到,点(x,y)(图中紫色点)为该切比雪夫值得横纵两条等值线的交点,那么有:λ1*(y-z1)= λ2*(x-z2),化简的(y-z1)/(x-z2)= λ2/λ1,可知该交点位于权重向量的方向上。

        需要注意一点,这里的权重向量起点是Z*,不再是原点。

        此时可知,若某个个体位于其权重向量方向的上部,则max得到的一定是其f1部分,故优化也需要减小其f1的值,即个体向下移动,相反,若在权重向量方向的下部,则应像左移动。以此来保证个体目标值落在黄点附近。

一种可能的个体运动路线如下图橘黄色所示:


Boundary IntersectionApproach

        该方法给出的表达式为:

        

        式中个参数含义如下图所示:


        式子中等式约束其目的是为了保证F(x)位于权重向量λ的方向上,通过减小d来使算法求出的解逼近PF。但该条件不太容易实现,故将其改进为下边这种方法。

penalty-basedboundary intersection approach

改进后的式子为:

        

        各个参数的含义如下图:


        可知算法放宽了对算法求出的解得要求,但加入了一个惩罚措施,说白了,就是你可以不把解生成在权重向量的方向上,但如果不在权重向量方向上,你就必须要接收惩罚,你距离权重向量越远,受的惩罚越厉害,以此来约束算法向权重向量的方向生成解。

接下来是关于d1和d2两个参数的计算表达式的含义说明,我依然是从几何角度理解的。

        d1——观察d1的计算表达式,Z*-F(x)可以看做原点到Z*点的向量减去原点到F(x)的向量,得到的是从F(x)出发指向Z*的一个向量,暂且命名为μ,之后μ与λ相乘得到μ在λ方向上的投影,这个长度值与λ的长度值之比为d1。

        d2——其表达式的含义其实也无非就是利用向量运算构造出d2所表示的向量,取模即可得到d2.构造过程如下:


        Z*表红色向量,d1*λ表蓝色向量(因为减法,所以方向取反),红色减蓝色得紫色向量,F(x)表绿色向量,绿色减紫色得黄色向量,即d2表黄色向量的长度。


        这些都是自己一些粗浅的理解,如果有错误或者有更好地理解的话希望能告诉我,大家一起进步嘛~~~


展开阅读全文

没有更多推荐了,返回首页