进化算法EA——多对象优化遗传(MOO),差分进化法(DE),遗传编程(GP)

目录

单对象优化(SOO)vs多对象优化(MOO)

多对象优化（MOO）

NSGA-II

差分进化法(DE)

遗传编程(GP)

EA problem

---

单对象优化(SOO)vs多对象优化(MOO)

 1.目标函数个数

        单对象优化是针对一个目标函数(objective function)的解决办法。例如：生产饼干的质量最大化、寻求最短路径(TSP)。

        多对象优化是针对多个起冲突的目标函数寻求最佳解的方法。想要寻求的最佳解视具体情况而定。例如：小偷旅行的问题(travelling thief problem)，它是背包旅行问题(Knapsack problem)和旅行商问题(travelling salesman problem)的结合。具体情境是，小偷要去许多户人的家里偷东西，每户人家只经过一次，并且只拿了个麻袋，偷的东西重量不能超过麻袋所承受的重量，要求小偷的路径最短并且偷的东西价值最大。在这个情境下，路程、价值、重量都是目标函数，而路径短和价值大是最终寻求的最佳解。

        值得注意的是，如果知道各适应度值的占比，也属于单对象优化问题。因为可以引入一个新对象，并用其他各适应度*占比加起来表示它。例如：f(biscuit)= (0.7*f(quality)) + (0.3*f(cost))，则f(biscuit)作为一个新的适应度函数，并应用单对象遗传算法进行计算。

2.最佳解个数

        单对象优化最终求得一个最佳解；而多对象优化求得是一组解，各个解之间的关系是平等的，不可缺一，在二维平面上表示的是一条线。

3.应用范围

        在工程和工厂领域中，多对象应用更广泛，因为它针对的是不同目标的一系列“权衡”（trade-off），结果可以帮助管理人员做决策。

由于另一篇文章已经介绍过单对象遗传算法，这里着重介绍多对象优化。

多对象优化（MOO）

        这里首先引入一个新概念：Pareto front，翻译过来是帕累托平面。当出现两个互相冲突的对象，最佳解组成的平面叫做帕累托平面。而MOO的目标就是求Pareto front。

Pareto front

         例如上图，两个目标分别是使size和cost尽可能小。蓝点都是在此基础上可以再减小cost或size，但绿点不能再减小了，如果减小一方，另一方必然增加，因此绿点组成的平面就是帕累托平面。

 那么如何找出Pareto front上的点呢？

         这里再引入一个新概念：dominance，翻译过来是支配。这里举一个例子，现在要设计一架飞机，需要使可走距离尽可能大，成本尽可能小，可载乘客数尽可能大，速度尽可能大。一条染色体代表一个解决方案，现在有八条染色体，从中挑选出non-dominated的个体。

        dominate的判断就是两个染色体进行竞争（pair comparison），分别拿出四个值进行两两比较࿰