基于分解的MOEA三种常用的聚合方法。
目的:寻找可控数量的Pareto解,且解在PF上均匀分布的多目标优化算法。
在给定权重偏好或者参考点信息的情况下,分解方法通过线性或者非线性方式将原多目标问题各个目标进行聚合,得到单目标优化问题,并利用单目标优化方法求得单个Pareto最优解。下面介绍分解策略中三类常用的聚合函数。
1. 权重聚合法
权重聚合方法(weighted sum approach)是一种常用的线性多目标聚合方法,他的目标函数聚合形式定义为下面的公式。
其中, x x x是决策向量, λ = ( λ 1 , λ 2 , ⋯ , λ m ) T \lambda = {({\lambda _1},{\lambda _2}, \cdots ,{\lambda _m})^T} λ=(λ1,λ2,⋯,λm)T他的决策向量的大小(维度)是你自己定义的, λ \lambda λ 他是权重向量,** m m m等于目标的个数。例如,如下图,有两个目标,f1和f2,他的权重向量的维度为2。这一定要弄清楚。
理解:其实是两个向量的内积(模的乘积在乘余弦值),其实,就是在方向向量上的投影。即找到每个子解投影的最小值。
他只适合凸的,因为你要是凹的他,找的的最优解会集中在PF的边缘。当然也可以引入惩罚函数来,让他可以解决凹的问题。
2. 切比雪夫方法
z是参考值点, max { λ i ∣ f i ( x ) − z i ∗ ∣ } {\max }\{ {\lambda _i}\mid {f_i}(x) - z_i^*\mid \} max{λi∣fi(x)−zi∗∣}就是两个目标的当前点到参考值点,分别在两个目标上投影中距离大的那个,即如下图中红色的边(红色的边越来越小,最后达到最小了,那么这个点对应的蓝色的边更会越来越小。这就是让最大的最小。)
注意:取最大的时候他的x点是固定的,取最小的时候参考值点和权重是固定的,变化x。
3. 基于惩罚边界的交叉方法
最初的边界交叉方法的公式如下。
其中, z ∗ − F ( x ) = d λ {{\rm{z}}^*} - F(x) = {\rm{d}}\lambda z∗−F(x)=dλ约束条件是为了保证 F ( x ) F(x) F(x)和 d λ {\rm{d}}\lambda dλ在一条直线上,然后固定 λ \lambda λ和z,让x移动使d最小。d是标量。如下图所示。
但是,要是满足上述的约束条件太苛刻了,所以引入惩罚函数。
d 1 {d_1} d1为F(x)到z的距离在 λ \lambda λ上的投影距离, d 2 {d_2} d2是惩罚值,F(x)到z的距离在的垂直方向的投影。 d 1 {d_1} d1和 d 2 {d_2} d2它们分别用于控制种群的分布性和收敛性, θ \theta θ小的话,就代表偏离的小,这样有助于加快收敛,但是他会牺牲原本均匀的分布性。