CMEGL算法

K. J. Qiao, J. Liang, Z. Y. Liu, K. J. Yu, C. T. Yue, and B. Y. Qu. Evolutionary multitasking with global and local auxiliary tasks for constrained multi-objective optimization, IEEE/CAA Journal of Automatica Sinica, 2023, doi:10.1109/JAS.2023.123336.

  约束多目标优化问题包括目标函数的优化和约束条件的满足，这对求解者提出了挑战。为了解决CMOPs，约束多目标进化算法（CMOEAs）被提出。然而，由于多样性不太好，它们中的大多数倾向于收敛到局部区域。进化多任务（Evolutionary Multitasking，EMT）是一种新的求解复杂优化问题的模型，通过源任务与其他相关任务之间的知识转移来实现。受EMT的启发，本文提出了一种新的基于EMT的CMOEA算法来求解CMOPs，该算法中主任务、全局辅助任务和局部辅助任务分别由一个特定的种群生成和优化。主要任务是寻找可行的Pareto前沿，全局和局部辅助任务分别用于增强全局和局部多样性。并且利用全局辅助任务实现忽略约束的全局搜索，以帮助主任务的种群通过不可行障碍。局部辅助任务用于提供主任务种群周围的局部多样性，以开发有希望的区域。通过三个任务之间的知识转移，主任务种群的搜索能力将得到显著提高。与其他先进的CMOEA相比，在三个基准测试集上的实验结果表明，所提出的CMOEA具有上级或有竞争力的性能。

1.CMEGL概述

  CMEGL通过产生3个种群（P1、P2、P3），每个种群有NP个个体，在搜索空间中随机生成，分别负责求解主任务（MT）、全局辅助任务（GAT）和局部辅助任务（LAT）。同时初始化进化阶段索引参数stage和参数βt。在迭代期间，根据下列公式，算法首先检测是否将进化阶段从第一阶段切换到第二阶段。（此公式在GAT中解释）

三个种群产生的子代为O1、O2、O3。在第二阶段，P2停止进化，产生一个空集O2，CMEGL采用SBX、PM来生成后代。

  GAT被用来帮助穿越巨大的不可行的区域，跳出局部最优。而且，它只在第一阶段进行优化，以保存昂贵的计算资源。LAT在整个进化过程中不断进化，不断提供局部多样性，改善个体的分布。

2.Global Auxiliary Task全局辅助任务

  GAT只包含目标的优化，因此会向UPF收敛。此外，由于不考虑约束，GAT比MT更容易，并且具有更好的多样性和收敛性。通过子代，可以在早期阶段跨越不可行区域。如图1所示，P1被大的不可行区域所阻塞。但是，P2它不会被它们阻挡，可以接近UPF。在进化过程中，更好的可行区域将被生成的后代定位，如两个黑色三角形。如果将它们转移到MT中，将有助于找到更好的可行区域。

其中灰色区域是不可行区域，蓝色圆圈和三角形分别是P2和O2，两个黑色三角形也是O2，红色圆圈和三角形分别是P1和O1，蓝色和红色线条分别是UPF和CPF。 可以看到P2可以穿过不可行区域。

当P2收敛到UPF时，GAT将停止进化，其原因如下：

1.对于CPF和UPF重叠程度较低的CMOP，GAT在后期对MT的帮助较小

如图2（a）所示，函数LIRCMOP1的CPF和UPF相距较远。在这种情况下，大多数由P2产生的后代个体会靠近UPF而不是CPF。因此，不断生成接近UPF的解将浪费计算资源。

2.对于CPF和UPF之间具有高重叠度的CMOPs，如图2（b）所示，GAT将具有与LAT相似的辅助效果，因为P2和P3都将围绕P1。因此，在后期阶段，仅进化LAT。

为了检测P2是否收敛到UPF，该算法设计了一种简单的方法。在介绍该方法之前，定义了一些变量。设G和θ分别为进化区间和阈值。此外，令Sit（j = 1，2，.，M）是第t代时第j个目标上P2的标准差，则如（6）所示，如果在过去G代期间Si的标准差小于σ，则变量f将被设置为1。反之，标志f = 0。然后，如果每个标志f等于1，则我们将证明P2已经收敛到UPF，并且进化阶段切换到第二阶段。 一般来说，较大的G或较小的σ意味着更好的收敛性能

3.Local Auxiliary Task 局部辅助任务

   在这些迭代过程中，很难准确地定义决策空间中的局部搜索区域。这是因为P1将动态更新，并且在高维搜索空间中选择具体范围是困难的。因此，我们考虑将约束搜索边界定义为局部搜索区域，因为仅应设置一个值β。此外，通过放宽真实约束搜索边界，可以将一些原不可行解视为可行解。这些解决方案可以用来提供有希望的搜索偏差和增加多样性。

   此外，由于希望充分利用Pi周围的局部区域来提高种群分布的均匀性，因此将O1中所有不可行个体的平均CV值作为约束搜索边界βr。在这项研究中，每个种群使用它的亲本个体基于竞赛选择方法产生后代，P1可以保持它的进化方向，并且O1可能分布在P1周围。

红色圆圈和三角形分别是P1和O1，绿色圆圈是P3，蓝色和红色线条分别是UPF和CPF。 可以看出P3是分布在CPF附近

LAT可以被描述为:

  其中CV被视为一个额外的优化目标。在这种情况下，一个CMOP转化为一个无约束（M +1）目标优化问题，并采用非支配排序方法排序的解决方案。CV(违反约束的程度)