目录
一、MOGA算法
1.总述
MOGA算法法对每个个体划分等级(rank),所有非支配个体的等级定义为1,其他个体的等级为支配它的个体数目加1具有相同等级的个体用适应度共享机制进行选择。
2.适应度分配方式
首先,种群按照等级排序,然后对所有个体分配适应度,方法是用线性或非线性插值的方法来分配,具有相同等级个体的适应度值是一样的。通过适应度共享机制采用随机采样进行选择。
3.缺点
过于依赖共享函数的选择,而且可能产生较大的选择压力,从而导致未成熟收敛
二、NSGA算法
1.非支配排序
NSGA也是基于非支配排序的思想设计的
非支配解首先被确定,然后被分配一个很大的虚拟适应度值。为了保持种群的多样性,这些非支配解用它们的虚拟适应度值进行共享,这些非支配个体暂时不予考虑从余下的种群中确定第2批非支配个体,然后它们被分配一个比先前非支配个体共享后最小适应度值还要小的虚拟适应度值。这些非支配个体也暂时不予考虑,从余下的种群中确定第3批非支配个体。该过程一直持续到整个种群都被划分为若干等级为止。
2.特点
NSGA采用比例选择来复制出新一代。NSGA计算复杂度较高,而且需要预先确定共享参数。
3.锦标赛选择机制
NPGA设计了基于Pareto支配关系的锦标赛选择机制。具体思想如下:随机地从进化种群中选择两个个体,再随机地从进化群体中选取一个比较集,如果只有其中1个个体不受比较集的支配,则这个个体将被选中进入下一代 当它们全部支配或全部被支配于该比较集时,采用小生境技术实现共享来选取其中之一进入下一代。算法选取共享适应值大的个体进入下一代 该算法中,小生境半径的选取和调整比较困难,还要选择一个合适的比较集的规模。
三、NPGA算法
1.特点
NPGA设计了基于Pareto支配关系的锦标赛选择机制。
2.具体思想
随机地从进化种群中选择两个个体,再随机地从进化群体中选取一个比较集,如果只有其中1个个体不受比较集的支配,则这个个体将被选中进入下一代 当它们全部支配或全部被支配于该比较集时,采用小生境技术实现共享来选取其中之一进入下一代。算法选取共享适应值大的个体进入下一代 该算法中,小生境半径的选取和调整比较困难,还要选择一个合适的比较集的规模。
总结
在第一代进化多目标优化发展期间,一些亟需解决的问题页凸显出来。
首先,能否找到替代小生境(共享函数)的方法来保持种群的多样性。适应度共享是针对多峰函数优化提出来的,通常需要关于有限峰数的先验知识和解空间小生境均匀分布的假设。对于多目标优化问题,同样需要确定共享半径的先验信息,其计算复杂度为种群大小的平方。