【学习笔记】基于分解的多目标进化算法中两种归一化方法的同时使用---MOEA/D-2N

算法简介

Q:在实际应用中，每个目标的数量级是不同的，对于目标数量级不同的问题，常采用归一化操作来对每个目标引起同等的重视。目标空间归一化对每种算法的性能(即每种算法对现实问题的实际适用性)有很大的影响。
A:本文在MOEA/D的基础上，采取两种归一化操作，来弥补MOEA/D中归一化操作带来的性能下降。

对比算法：MOEA/D、MOEA/D-N

测试组件：DTLZ、WFG、城市排水规划问题

两种归一化操作

对于多目标问题：

最低点（The nadir point）定义：
理想点（the ideal point）定义：

方法一：非标准化（non-normalization）

为了确保权重向量从理想点开始，所有的目标值被归一化如下

方法二：自适应归一化（the adaptive normalization ）

另一个广泛采用的标准化机制是基于理想点和最低点：

ϵ = 10−6，为了防止分母为零。

几种方法的图示

不带归一化操作，以及带两种归一化操作的PBI方法如下图：

首先是不带归一化操作的PBI方法，PBI中参数d1、d2的定义如下：
如图(a)所示，从目标空间的原点计算距离。d1、d2的值在图中已给出。

接下来是使用第一种归一化操作（非标准化）。该情况如图b：
此时权重向量从理想点（原点变成了理想点）开始，这种方法不能解决不同尺度目标的问题，使个体的评估更靠近理想点。
使用自适应归一化方法的情况如图c，自适应归一化解决不同尺度目标的问题。使得f1、f2两目标具有相同的评估标准。

实际应用中每个目标的规模通常完全不同。例如，机组组合问题有三个目标(即，系统运行成本、空气污染物排放、预期能源非服务成本)。当能量发生器的数量指定为60时，每个目标的范围之比约为3 : 1 : 50 。显然，对于一个帕累托前沿规模如此之大的问题，目标空间归一化方法的选择将显著影响MOEA/D的搜索行为.
以图(a)为例。在不同的目标空间中，不同的子问题通过使用PBI函数和权重向量来获得。结果，不同目标空间中的解以不同的方式被评估。如图1(b)所示，在偏移的目标空间(使用非标准归一化）中，蓝色解相对于权重向量w优于红色解。这是因为红色解和蓝色解的d2相同，而蓝色解的d1小于红色解的d1。
然而，在图（c）的归一化目标空间（使用自适应归一化）中，相对于权重向量w，红色解比蓝色解好得多。这是因为红色解的D1和蓝色解的D1相同，而红色解的d2比蓝色解的D2小得多。

比较之后的结论： 不同目标空间中两个解之间的比较结果甚至可以颠倒。我们可以看到归一化对MOEA/D的性能有很大的影响，因此要选择合适的归一化操作。

MOEA/D-2N算法核心

两种不同的归一化方法，协作进化两个种群P1、P2.
例如P1用非标准归一化、P2使用自适应归一化。

• P2为P1种群的副本，对P1进行随机初始化之后，直接复制到P2中。[line4]。
• 利用每个种群中的选择的父代，变异交叉，P1种群产生子代x1，P2种群产生子代x2. [line10-13]
• 在每一代，利用P1,P2,x1,x2的合并种群来更新最低点和理想点。[line14,15]
• 然后P1,P2的子代x1,x2来更新P1,P2.[line16-17]
  生成的子代和每个目标空间中的每个相邻权重向量的当前解比较，每个权重向量有三种情况：
  1.当x1比x2和当前解都优秀，那当前解就用x1替代。
  2.当x2比x1和当前解都优秀，那当前解就用x2替代。
  3.当当前解优于x1,x2。则不发生替代。
• 最后输出P1种群。