【学习笔记】基于参考点的非支配排序--NSGA-III
简介
Q:进化多目标优化(EMO)方法在寻找不同的两目标和三目标优化问题的一组良好收敛和良好多样化的非支配解方面充分显示了它们的优势。然而,在涉及多个涉众和功能的现实问题中,经常存在许多涉及四个或四个以上目标的优化问题。
A:提出的NSGA-III,在原有NSGA-II的非支配框架的基础上,引入了参考点机制,解决目标空间维数过多遇到的一些问题。
问题详述
在目标空间维数过多的时候,会遇到:
-
目标空间维数大,种群中大部分的个体是非支配的,选择压力不足
-
多样性测度的评估在计算上变得昂贵
-
重组操作很优惠、可能是低效的
高维空间,有限数量的解相距较远,产生低效率的后代(因为繁殖产生的子代远离父母过远) -
对于表面的权衡较为困难
我们可以很直观地认识到,要表示一个高维的曲面,就需要指数级的更多点。因此,需要一个较大的种群规模来表示得到的帕累托最优前沿。 -
可视化问题
-
计算指标,复杂度指数增长
关于多目标问题的两个想法
- 使用特殊的控制原则,例如加性支配原则,这样也会在一定程度上缓解多样性问题,另外还有交配限制以及重组方案,如本算法建议使用SBX算子。
- 使用预定义的多目标搜索,预设搜索方向。由于找到对应每个目标的搜索人物的最佳点,所以支配压力问题也略有缓解。
(预设搜索方向or预设搜索点)
NSGA-III算法
A.人口分布为非支配水平
从非主导前沿等级1到等级l的所有种群成员首先包含在St中,如果|St| = N;对于|St| > N,成员从1到(l−1)等级已经被选择,即Pt+1 =∪ Fi,i=1~l−1剩余的(K = N−|Pt+1|)种群成员是从最后的等级Fl中选择的。我们在下面的子部分描述了剩余的选择过程。
B.超平面上参考点的确定
有两种参考点的确定方式,一种是用户预设参考点,另外一种是Das and Dennis方法,即在单位单纯形上均匀分布。如图为在三维目标空间上均匀产生15个参考点。
C.种群成员的自适应归一化操作
分为两步:
首先利用种群的理想点,进行如下操作
在利用种群的极端点,进行如下操作
ai为种群极端点构成的多维平面和坐标轴相交的截距,种群中极端点,为使ASF函数值最小的个体的值。如图:
经过此变换操作之后,种群中的个体被归一化到了参考点所在平面。
D.关联操作
参考线最接近归一化目标空间中种群个体的参考点被认为与种群个体相关联。即找种群中个体所离的最近的由参考点确定的参考线,那么这个个体与此参考点关联。
E.生态保护行动(选择操作)
1.计算pj,即前l-1个等级中与每个参考点关联的个体数
2.选择pj最小的参考点,即关联数量最少的参考点。若有多个参考点关联数量都是最小,则随机选择其中一个。
3.如果最小的pj=0,那么有两种情况
- 若在l等级中,有多个个体(至少一个)与该参考点关联,则选择距离值(个体到参考线的垂直距离)最小的个体加入下一代。
- 若在l等级中无与该参考点关联的个体,则排除此参考点,重新选择一个pj最小的参考点重新计算。
如果pj>=1,则在Fl中随机选择一个关联个体加入(如果有关联个体的话)。
F.创造后代种群的遗传操作
建议使用SBX算子,以便产生逼近父代的个体。
G.源代码