多目标优化 MOP （三）：遗传算法 SPEA2+SDE 2014

最新推荐文章于 2025-02-28 23:40:51 发布

科研小海绵

最新推荐文章于 2025-02-28 23:40:51 发布

阅读量4.5k

点赞数 5

本文链接：https://blog.csdn.net/qq_32182397/article/details/105881975

版权

本文提出了一种基于转移的密度估计算法SDE，旨在解决多目标优化算法在高维度问题上的收敛性和多样性问题。SDE通过改变个体的位置来评估其密度，从而改善选择压力，增强算法的性能。实验表明，将SDE整合到NSGA-II、SPEA2和PESA-II等算法中，能显著提升它们在多目标问题上的表现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文：Shift-based density estimation for Pareto based algorithms in many-objective optimization

Pareto-based evolutionary multiobjective optimization (EMO) algorithms 在解决many-objective problems（MaOP）时常遇到问题，因为在高维空间中pareto dominance不起作用，而diversity maintenance mechanisms多样性维护机制在稀疏的区域远离pareto front。

目前有两种解决此问题的方法：

改变pareto dominance 关系
改变多样性维护机制

这篇文章提出了 shift-based density estimation (SDE) strategy基于转移的密度估计策略，SDE可以同时兼顾收敛性与分布的多样性。SDE是通过改变多样性的方式提高选择压力的。SDE的原理很简单，就是将收敛性不好的个体转移到拥挤区域并分配一个大的density value，这样在选择过程中很容易被删除。

Density Estimation in EMO Algorithms EMO中的密度估计算法：

EMO算法中有很多密度估计的方法，他们基本都是作用于个体的不同邻居，或不同的方法的。比如niched Pareto genetic algorithm（NPGA）考虑到小生境中的个体并计算小生境的拥挤程度，strength Pareto EA (SPEA)采用基于聚类的方法估计拥挤程度，NSGA-II定义了拥挤距离crowding distance反映一个个体的密度，这个方法只考虑一个个体两边的最近的个体，grid-based EMO 比如 PESA-II和dynamic multiobjective EA (DMOEA)通过对hyperbox中个体计数估计密度。SPEA2考虑了种群中个体的K个近邻，距离的计算方式可以采用Euclidean distance欧式距离或者Tchebycheff distance切比雪夫距离。

Shift-Based Density Estimation (SDE)基于转移的密度估计:

当估计一个个体p的密度时，SDE通过对比收敛性将p的位置转移到种群中其他个体的位置上。具体地讲就是当一个个体p在一个目标上表现比另一个个体好时就将p转移到另一个个体的当前目标位置，否则p的位置不动。如公式所示，是p在种群P中新的密度估计，N是种群个数。

是两个个体的相似度，是的转换后的点

举个例子，如图所示，在两个目标最小化问题的二维图中，四个点A(10, 17), B(1, 18), C(11, 6), and D(18, 2), B 被转移到 (10, 18) ，因为 B1 = 1 < A1 = 10, C 和 D 转移到 (11, 17) and (18, 17), respectively, since C2 = 6 < A2 = 17 and D2 = 2 < A2 = 17.可以看到，A原来与其他点具有较低的相似度，但是转移后有两个近邻此时被分配较高密度值。这是因为B和C在收敛性上比A好。虽然在某个目标值上不如A，但是其他目标上比A远远有优势。因此SDE中没有明显优势的点会被分配一个高的密度值。