A Population Prediction Strategy for EDMO——进化动态多目标优化的种群预测策略(二)

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、本节概要

本节提出了一个DMOEA框架,并对其主要组成部分的相关工作进行了总结。快速适应环境变化的搜索行为是处理动态问题的关键问题。因此,如何平衡种群的多样性和收敛性对于动态优化极其重要。变化检测、变化反应和多目标优化是现有大多数DMOEAs的3个主要组成部分。

二、通用的DMOEA框架

算法1展示了一个通用的DMOEA框架。多目标优化和动态优化中的技术已被纳入到算法1中。

三、DMOEA框架的每个组件中使用的几个重要技术

（一）变化检测(第4行)

1.步骤作用

该步骤检测是否发生了变化,如果发生,则找出当前问题与先前问题的相似程度。

2.常见技术

Achange通常通过下述两种技术检测。

• a )重新评估解决方案
• b )检查种群统计信息来检测

3.方法优劣

第一种方法易于实现,但它假设函数评价中不存在噪声。第二种方法可以克服这一缺点,但该算法可能需要一些额外的与问题相关的参数。现有的大多数工作仍然集中在检测是否发生了变化。一个好的策略应该进一步估计变化的程度,这可能有助于接下来的两个步骤。

（二）变化反应(第5、6行)

1.步骤作用

该步骤针对检测到的变化执行一些动作。可能的行动包括以下几点。

记忆保持:将从当前人群中提取的一些个体点或信息添加到记忆中和/或删除旧信息。

参数调优:自适应算法参数,如变异概率。

种群重新初始化:对于一些算法,需要在环境变化后重新初始化种群。

2.种群初始化常见技术

• a )重用先前种群或先前种群中的非支配解
• b )超变异先前种群;
• c )随机产生新的解
• d)重复使用记录的历史种群[ 13 ]
• e )预测新种群或搜索边界
• f )在变化发生之前/之后应用不同的交叉和变异算子

（三）多目标优化(第8行)

1.步骤作用

该步骤处理当前多目标优化一个世代。为求解静态MOPs而开发的MOEA通常直接应用或经过一些修改后应用。

2.修改常见技术

技术修改的目的往往是使用各种技术来增强种群的多样性，包括:

• a )随机移民,即在每一代中随机产生一些点到种群中
• b )复发,即产生具有高交叉和变异概率的解[ 42 ]
• c)记忆机制,例如,保持部分占优解
• d )多种群或并行计算。

(四)实际应用

在实际应用中,DMOEA通常采用上述一些技术的组合。还需要指出的是,并非所有的DMOEAs都包含这3个步骤。在一些DMOEAs中,MOEAs经过少量修改直接应用于DMOPs;因此,在这些方法中只实现了第8行。其他的DMOEAs假设一个DMOP是不断变化的;因此,第4行被打断。 

四、总结

（一）进化算法追求目标

值得一提的是,虽然大多数现有的用于求解动态优化问题的进化算法都是以跟踪移动最优或移动PS / PF为目标的。

但也有文献认为更实际的替代方案是找到一个可接受的最优/次优解,该最优/次优解随着时间的推移变化最慢,考虑到重新设计新解的成本以及难以紧密跟踪移动最优或PS / PF,最近,有文献提出了一个随时间实现鲁棒最优解的框架。

（二）本文研究对象

本文以6号线为研究对象,介绍了一种策略,该策略将在下一节详细讨论,用于在变化后重新初始化种群。

图为二维决策空间中双目标问题的PS运动。( a ) Pss运动   ( b ) PS流形运动    ( c ) Ps中心点移动