多目标优化 MOP （五）：遗传算法 VaEA 2017

论文：A Vector Angle-Based Evolutionary Algorithm for Unconstrained Many-Objective Optimization

这篇文章提出了Angle-Based Evolutionary Algorithm同时考虑了收敛性与多样性，在环境选择中采用maximum-vector-angle-first原理保证解集的均匀性，借助于worse-elimination原理，收敛性差的解集（计算方式是归一化目标的和）被其他解替代，因此，Pareto-optimal front的选择压力增强了。

VaEA的三个优点：不受参考点或权重向量的影响；参数少；时间复杂度低

Pareto-based MOEAs基于pareto的进化算法在解决MaOP问题的时候经常遇到问题，主要由于dominance resistance (DR) 和 the active diversity promotion (ADP)导致的困难。DR现象指的是当pareto 支配关系中解的不可比较，主要是由于随着目标数的增加非支配解比例的快速增大。事实上，两个解课比较的概率是，m是目标数，对于2个目标的两个解课比较的概率是1/2，当m=10时，可比较概率为0.002，基于pareto的方法就很难区别两个解了，此时采用基于多样性的选择方法。而ADP问题可能会影响到收敛性，使得种群偏离true PF。

A.VaEA算法执行过程：

1. 随机生成N个solutions
2. 选择：根据适应度值选择潜在solution放入mating pool
3. 交叉与变异：生成offsrping Q
4. 环境选择：在父代与子代合集中选择N个solution
5. 反复执行知道满足停止条件

以上过程与基本的遗传算法无差异，VaEA采用一种谨慎的精英保持策略，同时更加关注具有最大vector angle的个体以提高多样性。VaEA不需要采用任何特殊的重组操作，offspring Q通过通用的交叉和变异操作产生，下面介绍一下

B.环境选择：

VaEA的环境选择过程与NSGA-II 和NSGA-III类似，但是小生境保持操作与现有MaOEA不同。

1. 父代与子代的合集S通过function normalization 归一化，输出P=空集

1）归一化：ideal point 是每个目标上的最小值，nadir point 每个目标上的最大值，对于每一个solution  目标向量 归一化为 ，根据下面的公式，在归一化的过程中， 的适应度值也得到了计算，适应度分配考虑了归一化目标值的求和， 。 适应度值可以粗略的反映收敛性，一个solution如果在主要的目标上有好的表现通常会获得一个好的适应度值。值得注意的是，，这种估计的准确性可能受到MaOP的PF形状的影响，然而，VaEA的适应度值用于确定了两个相近的solution的保留与否，因此，PF的形状带来的影响得到了缓解。

2.计算归一化目标空间中每个solution的norm和vector angles

2）计算S中每个solution的norm（in the normalized objective space），对于的norm表示为，可以通过公式求解 norm用于计算归一化向量空间中两个solutions之间的vector angles，两个solutions他们之间的vector angles是 ，右侧分母部分是两个向量的内积， ，

 3.通过非支配排序对solutions分层，最后一层 为Fl，如果|P|+|FL|=N，返回P；如果|P|+|FL|>N，从FL中选择K = N − |P|个solution放入P中，根据他们的vector angles一个一个地放入。

在介绍association operation前先了解几个定义：

定义1：的target solution是在P中与具有最小 vector angle的solution，最小vector angle 表示为 ，与之相关的target solution的index表示为 ，如果 有多个target solutions，随机选择一个就可以。

定义2：一个solution的vector angle是 与target solution之间的angle，

定义3：extreme solutions是对m 个向量 具有最小angle的solution，由 表示，

3）association operation：

如果P为空集，首先对中的solution按照升序排序，将m个extreme solutions放入P中，extreme solutions放入的原因是为了保持多样性，然后将m个最好收敛性的solutios放入P,这里注意收敛性好的solution也可能是extreme solution，只放入一次就可以。如果solution放入P中，将从中将其删除。对于 中剩余的solution，他们的 被分别赋值为 然后对于P中每一个，之间的angle通过上面的公式计算，如果有更小的angle， 会更新。

如上图所示，x1,x2与Y1关联，x3与Y2关联，x4与Y4关联

4）Niche-Preservation

在VaEA中，niche preseervation过程同时考虑了收敛性和多样性，分别通过worse-elimination 和maximum-vector-angle-first principles 方法。

maximum-vector-angle-first principles ：

在中每个solution都有一个flag value（初始值设置为false）作为是否已经放入P中的标志，中每个solution都有一个最大和最小vector angles（根据定义2），他们的index值分别表示为 ρ 和 μ。maximum-vector-angle-first principle的目的是找到具有最大vector angle的solution，把它放入P。过程如下 ：如果 ρ为空（表示所有solution都已经添加到P中）则返回P，否则 放入P中同时flag改为true，此时，中剩余的solution的vector angles应该更新。

worse-elimination principle：

如果和它的target solution 之间的angle小于，N是种群个数，同时 没有放入P并且的适应度值比好，则用替换。这么做的原理是不需要保留相同搜索方向的多个solution。替换后需要考虑两种情况：a）即他们与不同的个体相关联，这种情况下只需要比较angle大小就可以。b），这种情况下两个solution与同一个个体相关联，只需要更新

C.Computational Complexity Analysis计算复杂度分析

归一化步骤中，2N个个体m个目标的复杂度为，norm的计算是，非支配排序是，association和niching operations都是，因此总体复杂度是

实验设置：

对比算法：MOEA/DD3 , NSGA-III, MOEA/D, and MOMBI2

测试问题：DTLZ1-4和WFG1-9

测试指标：inverted generational distance (IGD) , generalized SPREAD ， HV