Interactive evolutionary multiobjective optimization driven by robust ordinal regression
作者:J. BRANKE、S. GRECO、R. SŁOWIŃSKI、P . ZIELNIEWICZ
期刊:TECHNICAL SCIENCES、2010
DOI:10.2478/v10175-010-0033-3
内容简介
本文提出了一种基于必要偏好增强的进化多目标优化器(NEMO),该优化器将进化多目标优化与鲁棒顺序回归结合在一个交互过程中。在 NEMO过程中,决策者被要求通过简单地比较当前种群中的几对解来表达偏好。在进化多目标优化技术 NSGA-II 的适当修改版本中,使用了与偏好信息相容的整套附加值函数,以便将搜索集中在满足决策者偏好的解决方案上,这样可以加速收敛到Pareto前沿的最佳区域。
内容摘录
本文章对经典算法NSGA-Ⅱ做了适当的修改:使用Necessary排序代替支配排序
Necessary排序类似于支配排序,但通过必要的偏好关系考虑了用户的偏好信息。更具体地说,首先把那些没有必然优先的竞争对手的解决方案排在最好的位置,并从种群中移除等等。
使用考虑了整套兼容值中最具代表的值函数所提供的多维标度的距离来代替拥挤距离。在 NSGA-II 中,拥挤距离是在目标函数空间中计算的,而在 NEMO 中,拥挤距离是在边值函数空间中计算的,边值函数是“最具代表性”值函数的组成部分。
基础NEMO 算法:
- 随机产生初始解
- 引入用户偏好:向用户呈现几对解决方案,寻求偏好信息;
- Necessary排序:将替代NSGA-Ⅱ的支配排序;
- Secondary排序
- Repeat;
- 匹配选择、生成子代;
- 在请求DM的时刻,引入用户偏好;
- 排序;
- 环境选择;
- 根据Necessary排序返回所有偏好解。
算法1概述了整个算法。虽然一般程序相当简单,但有几个问题需要考虑:
- 需要在什么时候展示给决策者多少对解?
- 在这里,我们决定要求每k代都有一个偏好关系,也就是说,每k代暂停一次 NSGA-II,要求用户提供给定的一对个体的偏好信息。
- 哪一对解决方案应该显示给决策者作比较?
在这里,我们随机选择一对解,它们没有必要的偏好关系。这样可以防止用户指定不一致的信息。
阅读心得总结
该文献提出了一种基于必要偏好增强的进化多目标优化器(NEMO),在优化过程中,要求决策者每隔k代通过比较一对随机选择的解决方案来引入用户的偏好信息,然后使用考虑了与偏好信息相符的所有实例的稳健顺序回归方法对解决方案进行排序,最终根据排序结果返回所有的偏好解。