TS模糊非线性预测和多步预测结合求解动态多目标优化问题

最新推荐文章于 2024-05-27 14:20:30 发布

浅忆孤寂

最新推荐文章于 2024-05-27 14:20:30 发布

阅读量1.1k

点赞数

分类专栏：动态多目标文章标签：算法线性代数动态规划

原文链接：https://www.sciencedirect.com/science/article/abs/pii/S2210650220304028

版权

动态多目标专栏收录该内容

8 篇文章 7 订阅

订阅专栏

A new prediction strategy combining T-S fuzzy nonlinear regression prediction and multi-step prediction for dynamic multi-objective optimization

I. Introduction

普通的求解 DMOP 的方法：在统的静态 MOEA 中引入了一些特定的操作来处理 DMOP 。

传统方法通常会失去种群的多样性，一旦种群收敛，就很难在新的变化环境中找到最优解。

检测到环境变化后，加快收敛速度，增加种群多样性方法：

超突变和移民策略、保持在群多样性、多种群或并行计算、记忆策略、预测策略

前反馈预测策略 (FPS)--- 自回归模型 (AR)--- 对种群小部分进行简单预测，准确度不够。

种群预测策略 (PPS)---AR 预测中心和流形 --- 对环境不规则或非线性变化以及预测模型的历史信息不足，优化效果较差。

有向搜索策略 (DSS)--- 非支配解集变化方向和正交方向 --- 计算个体适应度值需要额外代价。

卡尔曼滤波 (KF)--- 随机重新初始化方向，线性离散时间 KF 预测

$x_t=\sum_{i=1}^l{\alpha _ix_{t-i}+\beta +\delta \left( t \right)}$ AR

简化的AR $x_t=x_{t-1}+stepsize*g_t+\delta \left( t \right)$ $g_t=\frac{C_{t-1}-C_{t-2}}{||C_{t-1}-C_{t-2}||}$

II. Background

A. DMOEA() 框架

B. T-S模糊模型：非线性动态系统的典型代表

$IF\,\,x_1\,\,is\,\,A_{i1}\,\,and\,\,x_2\,\,is\,\,A_{i2}\,\,and\cdots and\,\,x_M\,\,is\,\,A_{iM}$ $THEN\,\,y_i=a_{i0}+a_{i1}x_1+a_{i2}x_2+\cdots +a_{iM}x_M$

其中 $i=1,2,\cdots ,C$ ， C 是模糊规则个数； $X=\left( x_1,x_2,\cdots ,x_M \right)$ 是 M 个系统输入； $a_{ij}$ 是第 i 个模糊规则的第 j 个

输入分量的后继参数； $y_i$ 是第i个模糊规则的输出， $A_{ij}$ 是模糊集合(模糊子集) 。

T-S模糊模型表示

其中 $\omega _i$ 是第i个模糊规则输入的可信度

$\omega _i=\mu _{i1}\land \mu _{i2}\land \cdots \land \mu _{iM}$

其中 $\mu _{ij}$ 是属于模糊集合 $A_{ij}$ 的第i个模糊规则的第j个输入分量 $x_j$ 的隶属函数值

III. Prediction strategy combining T-S fuzzy nonlinear regression prediction and multi-step prediction

A. T-S fuzzy nonlinear regression prediction model

假设环境连续变化了N个时间，PS的中心构成的时间序列 $\left( X^{t-N+1},X^{t-N+2},\cdots ,X^{t-1},X^t \right)$ ，其中

$X^{t-k}=\left( x_{1}^{t-k},x_{2}^{t-k},\cdots ,x_{j}^{t-k},\cdots ,x_{D-1}^{t-k},x_{D}^{t-k} \right) ,k=0,1,\cdots ,N-1,D$ 是决策变量的维数

因此C个被发现的PS中心可以视为C个聚类中心，T-S模糊非线性回归模型的形式如下：

其中 $k=1,2,\cdots ,N-M,M$ 是T-S模糊非线性回归模型的阶数

根据最大熵原理[MEP] ，对于第c条模糊规则，属于聚类中心 $x_{cj}^{C}$ 的输入的隶属函数值 $x_{j}^{t-k}$ 服从Gibbs分布，可以计算如下：

那么k+1时刻的初始PS中心的第j个分量：

所以

$\overline{x}_{j}^{t-k+1}=\sum_{c=1}^C{\varphi _{i}^{t-k}\left( a_{c0}+a_{c1}x_{j}^{t-k-\left( M-1 \right)}+a_{c2}x_{j}^{t-k-\left( M-2 \right)}+\cdots +a_{cM}x_{j}^{t-k} \right)}$

令： $Y=\left[ x_{j}^{t},x_{j}^{t-1},\cdots ,x_{j}^{t-\left( N-M \right)} \right] ^T$

则： $A=\left[ a_{10},a_{11},\cdots ,a_{1M},a_{20},a_{21},\cdots ,a_{2M},a_{C0},a_{C1},\cdots ,a_{CM} \right] ^T$

由：

和 $ZA=Y$ 及其最小二乘法有： $A=\left( Z^TZ \right) ^{-1}Z^TY$

t+1时刻第i个个体的第j个分量(使用两个最近连续的PS流形来预测新的初始PS流形,PPS)

B. Multi-step prediction model

使用多步预测减少拐点处预测误差

C. Pseudo-code description of TSMP

经过TSMP得到t+1时刻种群位置

PS:当环境发生变化时，如果存储单元中存储的PS数据不足以构建TSMP预测模型，则通过从当前PS中随机选择一半个体和之前找到的PS的一半个体来重新初始化新的初始PS；否则，使用提出的TSMP预测策略重新初始化新的初始PS。另外，为简单起见，将T-S模糊非线性回归预测模型的阶数和多步预测模型的步长设置为3。

IV. Experimental design

A. 评价指标

B. Experimental RESULT

①Comparisons on typical benchmark test functions [MOBSA/D ] [RIS、FPS、PPS、TSMP]

TSMP算法在复杂DMOP问题上具有相对稳定的收敛性能，是求解DMOP问题的一种有效而有前途的方法。

TSMP在四种策略中获得了相对较好的Pareto前沿分布，在这些问题的MSP度量中表现最好。

②Comparison of MIGD curves versus the time

预测过程中存在偏差过大的情况

某些问题下性能指标在后两个阶段，波动情况比PPS更大

③Comparison of distribution of the obtained PF [dMOP2和UDF5]

TSMP可以实现更好的初始PF和最终PF的收敛和分布，尽管它在某些情况下可能比其他策略执行得更差。

④Comparisons on ZJZ problems [F5-F9]

TSMP在四种策略中获得了相对较好的收敛和分布，在这些ZJZ问题的MIGD和MSP度量方面表现最好.

⑤Influence of MOEA optimizers

大多数情况下，不同的MOEA算法结合TSMP的效果最好。

在所有的预测策略中，TSMP在大多数情况下都能获得更好的接近真实PF的初始PS，以快速响应环境变化

⑥Influence of severity of changes [ $\tau _t=30,n_t$ 变化]

在大多数情况下，TSMP可以获得最好的结果，并且随着改变的严重程度的降低，TSMP的效果更好

⑦Influence of frequency of changes [ $\tau _t,$ 变化， $n_t=10$ ]

TSMP在处理动态环境方面具有很好的应用前景

⑧Comparison with recent dynamic MOEAs [DSS , MOEA/D-KF , DMS and SPPS ]

TSMP的表现并不显著优于或等于DSS和DMS。

TSMP的性能优于SPPS，但不如MOEA/D-KF。

因此，TSMP需要改进，以便在处理DMOP时能够很好地执行。

⑨Comparison under recent MOEA optimizers [ ENS-SS, KnEA and ISDE +]

TSMP的性能明显好于比较的策略，尽管它的性能不是很好，在处理其他功能时还需要改进

链接：https://www.sciencedirect.com/science/article/abs/pii/S2210650220304028

浅忆孤寂

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
TS模糊非线性预测和多步预测结合求解动态多目标优化问题

A new prediction strategy combining T-S fuzzy nonlinear regression prediction and multi-step prediction for dynamic multi-objective optimizationI. Introduction普通的求解DMOP的方法：在统的静态MOEA中引入了一些特定的操作来处理DMOP。传统方法通常会失去种群的多样性，一旦种群收敛，就很难在新的变化环境中找到最优解。检测到环境变化后
复制链接

扫一扫