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:
- 随机生成N个solutions
- 选择:根据适应度值选择潜在solution放入mating pool
- 交叉与变异:生成offsrping Q
- 环境选择:在父代与子代合集中选择N个solution
- 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。
- 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