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。