A Population Prediction Strategy for EDMO——进化动态多目标优化的种群预测策略(一)

前言

本文研究如何利用预测策略来提高多目标进化优化算法在处理动态环境时的性能。基于预测的方法已经应用于动态单目标优 化和动态多目标优化中的一些孤立点的预测。通过考虑连续动态多目标优化问题的性质，我们将这一思想推广到预测整个种群。

一、种群预测策略( PPS )

1.基本内容

种群预测策略( PPS )，一个Pareto集被分为两个部分：一个中心点和一个流形。保持一个中心点序列来预 测下一个中心，并使用前一个流形来估计下一个流形。因此，当 检测到变化时，PPS可以通过结合预测中心和估计流形来初始化整个种群。

2.优势

我们系统地比较了PPS与随机初始化策略和混合初始 化策略在设计变量间具有线性或非线性相关性的多种测试实例上 的表现。统计结果表明，PPS在处理动态环境方面具有良好的应用前景。

二、动态多目标优化问题( DMOP )

1.基本内容

在工业应用和科学研究中，存在着一大类具有多个目标且随时间变化的优化问题。这类问题通常被称为动态多目标优化问题( DMOP )。

2.某类DMOP数学定义

根据优化问题中不确定性的性质,动态优化问题可以分为不同的类别[ 19 ],[ 20 ]。在本文中,我们主要研究以下种类地DMOPs:
                                

式中:t = 0,1,2,..∈T表示时刻。对所有i = 1,· · ·,n,-∞<ai < bi < +∞,[ ai , bi]属于R^n，定义决策空间的可行域，为决策变量向量。目标向量→由m个时变目标函数组成。为目标空间。

上图中定义的DMOP可以看成是一系列(平稳的)多目标优化问题( MOPs)。

三、 DMOP算法目标

1.DMOP与MOEAs的对应关系

由于DMOP的性质,动态多目标优化进化算法( DMOEA )可以看作是利用一系列多目标优化进化算法( MOEAs )来处理一系列相关的多目标优化问题。

2.算法目标

决策空间中的Pareto集( PS )和目标空间中的Pareto前沿(PF)定义了MOP的最优性。因此,很多算法都是以跟踪运动的PF ( PS )为目标。

3.问题

然而,目前的DMOEAs大多直接借鉴动态单目标优化技术来提高MOEAs在动态环境下的性能。DMOPs的性质因此被忽略了。在动态单目标优化中，目标是跟踪单个移动的最优点，而在动态多目标优化中，目标是跟踪PF ( PS)的移动。

四、PPS提出的假设

我们是通过考虑DMOPs的性质,为进化动态多目标优化设计一个预测策略，即PPS。我们假设：

1. 1个DMOP由一系列平稳的MOP组成
2. 连续MOP的PF (PS )在大多数情况下是相似的。

正如当前大多数DMOEAs所做的那样，基于这两个假设，我们提出了一种种群预测策略( PPS )来在环境变化时重新初始化种群，大大扩展了之前的工作。