基于环境敏感度的动态多目标协同进化算法-CSDN博客

本文链接：https://blog.csdn.net/qq_37179970/article/details/112791646

Environment Sensitivity-based Cooperative Co-evolutionary Algorithms for Dynamic Multi-objective Optimization

基于环境敏感度的动态多目标协同进化算法

https://ieeexplore.ieee.org/document/7817874/citations?tabFilter=papers

一、介绍

① 动态多目标优化问题广泛存在于实际应用中，如动态作业车间调度、温室控制、动态空域再分区、车辆运动规划、无线传感器网络设计、动态电源、配电规划、无人作战飞行器三维路径规划等。

② 多目标进化算法 (MOEA) 是一类模拟生物进化求解多目标优化问题的随机优化技术。

③ 合作协同进化算法 (CCEA) 的灵感来自物种间的合作或竞争相互作用驱动的互惠进化机制。

④ 一般而言， CCEA 算法

-将一个具有大规模决策变量的优化问题分解为若干个决策变量数量较少的子问题

-每个子问题由一个子群体进行优化

-每个子群体在相应的搜索空间中寻找其最优解

-通过将当前子种群的最优解与每代剩余子种群的最优解相结合，构造出一个完整的解，即原始优化问题的候选者。

二、整体框架

三、相关工作

其中， $X=\left( x_1,x_2,\cdots ,x_D \right)$

支配： $x_1\prec x_2,\forall i=1,\cdots ,M,F_i\left( x_1,t \right) \leqslant F_i\left( x_2,t \right) ,\exists j=1,\cdots ,M,F_j\left( x_1,t \right) <F_j\left( x_2,t \right)$

PS: $PS\left( t \right) =\left\{ x|\lnot \exists x^*\in \varOmega ,F\left( x^*,t \right) \prec F\left( x,t \right) \right\}$

PF: $PF\left( t \right) =\left\{ F\left( x,t \right) =\left( F_1\left( x,t \right) ,F_2\left( x,t \right) ,\cdots ,F_M\left( x,t \right) \right) |x\in PS\left( t \right) \right\}$

如何分解决策变量并构造一个完整的解是CCEA的两个关键问题。

1. 变量分解方法

基于问题特征的方法

基于决策变量排序的均匀分割法

2. 选择具有代表性的解

第一种是随机方法，它从子群体或档案中随机选择一个或多个非支配解。

基于偏好的方法：等级低，拥挤距离最大等

3. 动态多目标优化方法

基于多种群的：整个搜索空间被分成若干子空间，并使用子种群分别对这些子空间进行搜索。

基于预测的：在环境变化时跟踪新的最优解

基于记忆的：保存当前解集和环境中的相关信息，并在以后的阶段使用。

四、基于环境敏感度的合作协同进化策略

根据决策变量与环境变量之间的相互关系，将整个决策变量分为两个子分量。

例如：

$\min F=\left( F_1\left( X,t \right) ,F_2\left( X,t \right) \right) \\ F_1\left( X,t \right) =\left( 1+\sum_{i=2}^3{\left( x_i-0.5 \right) ^2}+g\left( X,t \right) \right) \cos \left( 0.5\pi x_1 \right) \\ F_2\left( X,t \right) =\left( 1+\sum_{i=2}^3{\left( x_i-0.5 \right) ^2}+g\left( X,t \right) \right) \sin \left( 0.5\pi x_1 \right) \\ g\left( X,t \right) =\sum_{j=4}^5{\left( x_j-|\sin \left( 0.5\pi t \right) | \right) ^2} \\ x_i\in \left[ 0,1 \right] ,i=1,2,3,4,5$

True PF： $x_1\in \left[ 0,1 \right] ,x_2=x_3=0.5,x_4=x_5=|\sin \left( 0.5\pi t \right) |$

分组： $X^1=\left( x_1,x_4,x_5 \right) ,X^2=\left( x_2,x_3 \right)$

A.决策变量分解

计算环境敏感度

定义：一个函数 $F_m\left( X \right)$ 是部分可加可分的，满足 $F_m\left( X \right) =\sum_{j=1}^J{F_{mj}\left( X^j \right)}$ 其中, $X^j$ 是决策变量 $X$ 的子分量，并且 $\bigcup_{j=1}^J{X^j}=X,X^j\cap X^k=\oslash ,j\ne k,j,k=1,2,\cdots ,J$

$J$ 是分量的数量。具体地说，如果 $J=D$ ，则称 $F_m\left( X \right)$ 为完全可加可分(简称完全可分)。

定理：设 $F_m\left( X,t \right)$ 是可加分离函数， $\forall T,a\ne b,\bigtriangleup t\in R,\bigtriangleup t\ne 0$ , $\bigtriangleup t_{\bigtriangleup t}F_m\left( X,t \right) =F_m\left( \cdots ,t+\bigtriangleup t,\cdots \right) -F_m\left( \cdots ,t,\cdots \right)$ ,满足 $\bigtriangleup t_{\bigtriangleup t}F_m\left( X,t \right) |_{t=T,x_i=a}\ne \bigtriangleup t_{\bigtriangleup t}F_m\left( X,t \right) |_{t=T,x_i=b}$ ，称 $x_i$ 和时间t是不可分的。

分解方法

把环境变量 $t$ 看成一个公共决策变量，如 $t=x_{D+1}$ ，然后根据定理计算 $F_m\left( X,t \right)$ 中第D+ 1个变量和其它变量之间

的关系，将和 $x_{D+1}$ 不可分的决策变量放在第一组。

完整解构造

分成两组决策变量 $X^1=\left( x_{1}^{1},x_{2}^{1},\cdots ,x_{r}^{1} \right) _t$ , $X^2=\left( x_{1}^{2},x_{2}^{2},\cdots ,x_{D-r}^{2} \right)$ , $X=X^1\cup X^2,X^1\cap X^2=\oslash$