新型占优机制研究、高维多目标优化研究、多目标优化测试问题研究

一、新型占优机制研究

对传统 Pareto 占优机制的改进是当前进化多目标优化的研究热点之一。

（一）ε占优机制

2002年，Laumanns 和 Deb等学者提出了ε占优的概念，对传统 Pareto 占优机制发起了挑战。

ε占优机制基于空间超格思想每个格子内只允许存在1个解，决策者可以动态调节格子的数目或者大小。这样，原来的基于个体的占优机制就成为基于格子的占优机制。

（二）局部占优

Brockof 和 Zitzler 等人研究了利用局部占优结构来进行高维多目标的降维，这种占优结构是在最小允许误差下的占优关系。首先用一种贪婪搜索算法找到最小集合误差，以及在该误差下的最小占优关系目标集合。实验结果表明，目标的维数越高，降维的幅度就越大。

（三）模糊占优

Koduru等人提出了模糊占优的概念。该方法类似于聚集函数和 SPEA 的适应度分配的结合，用模糊支配函数为每个占优目标加权，所有的目标加权后求和就是该个体的模糊占优程度。

（四）Pareto自适应占优机制

1.背景

.Alfredo 和CoelloCoello等人分析了Laumanns和 Deb 的ε占优以后认为，如果决策者不考虑 Pareto 前沿面分布的几何特点，则ε占优机制会丢失许多有效解，这一情况出现在 Pareto 前沿面分几接近直和水平时。为了解决该问题,他们提出了 Pareto 自适应占优机制。

2.Pareto自适应占优机制

Pareto自适应占优机制中，对应于每维目标的是一个该量的长度是格子的数目中元的取值与 Pareto 前面的形有关。考虑到了 Pareto 前沿面不同部分的占优强信息自适应地来调节ε矢量中元素的值，这样那些 Pareto前沿面分布几乎接近垂直和水平的区域所对应的超格矢量中的元素值就相对较小，也就是说，这些区域所分配的格子数目较多。

二、高维多目标优化研究

如何有效地求解高维多目标优化问题，也是当今进化多目标优化领域所面临的难题之一。

（一）高维多目标优化难点

于维数较高的多目标优化问题，要想找到一组有代表性的 Pareto 最优解是十分难的。一些处理低维数目标时不会遇到的问题凸显出来。

当目标空间的维数增加时，Pareto前沿面的维数也会增加。同时，种群中非支配解的比例增加。由于多数进化多目标优化算法强调种群中的非支配解，如果种群中解的选择压力还是像处理低维目标一样，那么种群进化将会减慢甚至停滞。另外如果两维 Pareto前沿面需要用N个非支配解来表示，那么对于m维目标优化问题就需要O(N^m)个非支配解来表示m维Pareto前沿面。这无论对于空间复杂度还是时间复杂度而言都是一个挑战。

最后，对于高维多目标优化问题，Pareto 前沿面的可视化也是一个问题，研究者们相提出了用决策图、测地线图、并行坐标图、分散图矩阵等方法开可视化高维Pareto前沿面。

（二）经典算法在高维多目标情况下的性能

为了解决高维多目标优化问题，一些学者对原来的经典算法在高维多目标情况下的性能进行了实验对比研究。

2003年,Khare,Yao，Deb比较了当目标维数是2~8时，SPEA2,NSGA-II,PESA等算法的性能。总体来说这3种算法对于高维多目标优化问题都表现出一定的不足。为此,一些学者提出了专门针对高维多目标优化问题的方法。

（二）尝试解决问题——基于聚集函数

1.背景

Hughes等人在 2003 年提出了基于聚集函的方法，该方法起并没有用来解决高维多目标优化问题。随后,Wagner 等人把该算法用来解决高维多目标优化问题。

2.思路

在该算法中，Hughes 建议使用加权的最小最大法以及结合对偶优化的权角距离度量的方法。这种方法并行处理所有的目标，决策者需要为每一个目标选择一个权矢量。加权的最小最大法与解的收性有关，权角距离度量与解分布的方向有关。该算法没有用到 Pareto 支配的概念，实验结果表明，该算法在求解高维多目标优化问题时表现出一定的优势，但是对于低维目标优化问题其效果不如 NSGA-II和 SPEA3。

（三）尝试解决问题——基于主分量分析的NSGA-II 改进算法

1.背景

2005 年,Deb 等学者指出对有高多优化题并不是有的之间都是冲突的也就是说，有冗余目标的存在真正的Pareto 优前沿面的维数要小于空间的维数。

2.重要依据

通过运用主分量分析,他们得出如下结论:如果第i主分量中第j元为正,则表明第个目标对于该主分量的贡献为正,也就是说该目标是趋于该主分的。如果第j元为负，则表明第j个目标对于该主分量的贡献为负，也就是该目标是背离该主分量的。

3.思路

通过提取主分量中负值最多的元素和正值最多的元素,可以提取冲突的目标,从而把冗余目标抛弃。基于这种思路，Deb 提出了基于主分量分析的NSGA-II 改进算法，并分别测试30维目标和20维目标的ZTLZ5问题，得出了不错的结果，确实达到了降维的目的。

4.改进

2007 年,Saxena 和 Deb又对该算法进行了改进。他们认为，主分分析产生了一个低维线性空间，通过最小均方误差准则,该空间能够在一定误差下表示原始数据。但是，当原始数据点本身位于非线性的流形空间上，或者原始数据点本身是非高斯分布时，分量分析无法揭示数据的内在维数。非线性降维的方法在模式识别领域也是一个研究热点，有等规映射(SOMAP)、局部线性入LLE)、Laplace特征映射、核主分量分析(KPCA)等方法。

5.缺点

Deb 等人根据多目标优化问题的特点，分别将相关主分量分析和最大变化伸展主分量分析与 NSGA-II 结合，提出了两种解高维多目标优化问题的算法。他们用这两种算法测试了50 维的DTLZ5 问题，取得了预期效果。但是，对于上述3 种算法他们处理的问题本身是有很多冗余目标的，也就是说，他们所处理的 50 维的多标优化问题，其实际 Pret 优前面的维数只有几维。而当目标之间是互相冲突的，不存在冗余目标时，De 所提出的这3 种方法是无效的。

三、多目标优化测试问题

多目标优化测试问题的构造与分析是多目标优化领域的另一个研究热点。由于多目标进化算法很难从理论上分析出其性能参数，研究者只能通过仿真实验来验证算法的性能。因此有效的多目标优化测试问题对该领域非常重要。

随着越来越高效的多目标优化算法的出现。已有的多目标优化测试问题已经显得过于简单。不能很好地检验算法的性能，也无法真实地反映现实世界中多目标优化问题的复杂性。

(一)ZDT问题与DTLZ问题

为此，Zitzler，Deb 等人陆续构造了著名的ZDT问题和DTLZ问题，并被学者广采用。

1.ZDT问题

ZDT问题由6个具有不同性质的两目标优化问题组成，其 Pareto 前沿面已知，是目前采用得最多的测试问题之一。

2.DTLZ问题

DTLZ 问题能够扩展到任多个目标从而能够很好地扩展为高维多目标优化问题,也是目前采用得最多的测试问题之一。

3.缺点

目标函数缺乏平区域(flat region)、缺少连续空间上的骗问题、Pareto 前沿面和定域空间过于简单等等。

（二）复杂变量联结问题

1.背景

华人学者Li和 Zhang等人，先后构造了具有不同性质的多目标优化测试问题。二人提出了一组变量之间有关联且 Pareto 前沿面复杂的连续测试问题，并用于新算法的性能测试与比较。

2.优劣势

实验结果表明，复杂的 Pareto 前沿面能够为多目标进化算法带来较大的寻优困难。但是这些测试问题的Pareto前面均为线性或次面，还不能体现现实世界中多目标优化问题的复杂性。

3.改进

后来，二人提出了一类 Pareto 前沿面具有任意复杂性的测试问题，并用于MOEA/D-DE 和NSGA-II性能的比较。

（三）总结

通过上面的分析可知，目前进化多目标优化呈现出多样性的特点，新的进化范例被引进多目标优化领域，一些性能很好的算法相继被提出来。我们认为，只有把多目标优化问题本身的特点与这些进化范例有机地结合起来，才能设计出更好的算法。同时，目前对多目标优化问题的认识是具有历史局限性的，如何引入新的占优机制和如何高效地解决高维多目标优化问题，是目前进化多目标优化领域研究的热点和难点。