目录
前言
进化多目标优化(evolutionary multi-objective optimization,简称EMO):如何利用进化计算方法求解多目标优化问题。
一、最优化问题
最优化问题是工程实践和科学研究中主要的问题形式之一。
单目标优化问题:仅有1个目标函数的最优化问题
多目标优化问题(multi-objectuve optimization problems,简称MOPs):目标函数超过1个并且需要同时处理的最优化问题
Pareto最优解集(Pareto-optimal set)或非支配解集(nondominated set):对于多目标优化问题,一个解对于某个目标来说可能是较好的,而对于其他目标来讲可能是较差的,因此,存在一个折中解的集合,即Pareto最优解集又称非支配解集。
二、进化多目标优化算法
1.多目标优化问题
起初,多目标优化问题往往通过加权等方式转化为单目标问题,然后用数学规划的方法来求解,每次只能得到一种权值情况下的最优解。
缺点:由于多目标优化问题的目标函数和约束函数可能是非线性、不可徽或不连续的,传统的数学规划方法往往效率较低,且它们对于权重值或目标给定的次序较敏感。
2.进化算法
进化算法通过在代与代之间维持由潜在解组成的种群来实现全局搜索,这种从种群到种群的方法对于搜索多目标优化问题的Pareto最优解集是很有用的。
三、进化多目标优化算法发展特点
1.第一代进化多目标优化算法
采用基于Paeto等级的个体选择方法和基于适应度共享机制的种群多样性保持策略。
2.第二代进化多目标优化算法
以精英保留机制为特征。
3.当前进化多目标优化算法
为了更有效地求解高维多目标优化问题,一些区别于传统Pareto占优的新型占优机制相继涌现,如部分占有、Pareto自适应占有、主分量分析、相关熵主分量分析等。
四、基本概念
1.多目标优化问题
多目标优化问题又称为多标准优化问题,不失一般性,一个具有n个决策变量,m个目标变量的多目标优化问题,可表述为
2.Pareto最优解
假设我们有一个多目标优化问题,其中有n个目标函数f_i(x),其中i = 1, ..., n,且x是决策向量。一个解x_A被称为Pareto最优解(或Pareto非劣解),如果对于所有其他解x_B,不存在这样的x_B使得f_i(x_B) ≤ f_i(x_A)对所有i都成立,且至少有一个i使得f_i(x_B) < f_i(x_A)。
3.Pareto最优解集
Pareto最优解集P是所有Pareto最优解的集合
4.Pareto前沿面
Pareto前沿面F是所有Pareto最优解在目标空间中的像集由于目标函数可能是实数集上的向量值函数,所以Pareto前沿面在目标空间中通常是一个曲面或超曲面(在二维目标空间中为曲线,三维空间中为曲面,以此类推)