平面分离法求解带有偏好的动态多目标优化问题

平面分离法求解带有偏好的动态多目标优化问题

I.介绍

动态多目标进化算法

DMOP:决策问题的目标函数不仅与决策变量有关,并且还会随着时间(环境)的变化而变化。因此该决策问题的最优解可能也会随时间(环境)的变化而变化。

常用求解方法:

(1)、EA算法:DNSGAII、DCOEA等

(2)、hyper-heuristics(超启发式)

超启发式的主要目标:组合不同的启发式算法,称为低级启发式算法(LLHs),为产生更好的解。

基于选择的超启发式算法可以分为两个阶段:启发式选择和移动接受,

前者定义在当前时间段应用哪个LLH来解决问题,

后者设置接受或拒绝由所选LLH获得的解的标准。

(3)记忆、预测等

II.基于偏好的动态多目标进化算法

1)DSNGA-II,DNSGA-II考虑由DM先验定义的一组偏好,为每个当前候选解计算单个目标函数的归一化伪权重。然后,选择具有最接近归一化值的。

2)InDM2(基于偏好点),交互式DMOEA,允许DM在过程中设置参考点。一旦检测到问题变化或者参考点变化,当前种群的子集就会被随机产生的解所替代。

3)通过2)的两种可以解决偏好问题的结合InDM2的算法:WASF-GA和 RNSGA-II。

动态超启发式算法

低级启发式算法的复杂性没有限制,所以特定问题的启发式(problem-specific)和元启发式算法(meta-heuristics)可以作为超启发式(hyper-heuristic)的LLHs(low-level heuristics)

求解动态问题(DOPs)的启发式算法:AHC、HH、HMHH

求解DMOP的算法:DPEM-HH

相关参数

III.平面分离算法

平面分离法是一种在求解动态问题的优化算法中引入偏好的方法。

W每个目标的最小值和最大值偏好

R平面为每个维度拓展的大小

L每个平面获得参考点的集合,L中的点用于将种群P分割成在目标搜索空间内形成一组平面S的子种群。

C定义了每个平面中可对种群做出贡献的最大解集百分比。

H是DMOEA实施的精英启发式,用于为新种群选择解。

平面分离法的特点

1)PS是一种灵活且通用的偏好插入方法,可用于替代或补充DMOEA的精英启发式。
2)关注ROI的同时能保持POF中解之间的多样性,以使算法能够快速适应变化。
3)它适用于DMOEA流程的任何部分。唯一的要求是必须在合并父母与子代种群之间的集的过程中应用它。
4) PS将种群分成多个平面后,每个平面都是独立工作的。
5)然后,DMOEA根据其选择过程生成一个与ROI最接近的个体的新种群。

原因:

1)每一代都激活PS,允许优化算法在PS内探索,找到最优解

2)C,贡献给新解集的最大百分比

PS应用

DNSGAII-A (随机解替代部分) DNSGAII-A-PS

DNSGAII-B   (部分变异)

DNSGAII-AB (部分替代,其余变异) DNSGAII-AB-PS

GDE3  (增加响应和检测)àDGDE3(随机解替代部分) DGDE3-PS

基于偏好的启发式算法 作为 超启发式算法

用上面的三个带有PS的算法作为LLHs,本文提出DHH-PS超启发式算法。

DHH-PS框架

使用CF(choice function)作为启发方式,CF使用性能指标来评估每个LLH的结果,选择CF值最大的启发式。

示了DHH-PS用来评估启发式h的选择函数(CF)

C_1两阶段排序方案,根据一组性能指标来比较h

C_2自上次DHH-PS选择h以来经过的世代数。

\alpha平衡两个函数的作用

计算CF和评价算法性能的指标

ROI中非支配解比例

变量空间世代距离

反世代距离

超体积比

IV.实验设置 主要参数

DM1: Wf1=[0.1,0.4],FDA1,FDA3,dMOP3 Wf2=[0.3,0.7],dMOP1,dMOP2,Wf2=[0.65,1.0]

DM2:Wf1=[0.6,0.9],FDA1,FDA3,dMOP3 Wf2=[0.05,0.3],dMOP1,dMOP2,Wf2=[0.1,0.65]\

            |PS| = 3

             R={0%,15%,30%}

             C = {80%,15%,3%,2%}  %贡献比

              q_{test}=20\%\tau _t           

            \alpha =\tau

实验结果

将种群划分为平面允许单独管理每个子集中的解,例如,将非支配排序和拥挤距离方法应用到一个平面中,与其他平面分离。通过这种方式,我们赋予DNSGA-II-PS将来自每个平面的非支配且分布良好的解添加到种群中的能力,促进了收敛到ROI和解之间的多样性。

超启发式可能带来的一个弱点是,当使用性能较低的LLH时,其结果的质量会下降

V.总结

提出了一种新的基于参考点的方法,将偏好融入到DMOEA中,

1)  该方法可以求解具有DM给定偏好的DMOPS。

2)四个新的基于偏好的DMOEA:DNSGA-II的两个版本,即DNSGA-II-A-PS和DNSGA-II-AB-PS, DGDE3-PS,以及基于参考点的NSGA-II的动态版本(DRNSGA-II)。

3)提出了一种新的超启发式算法,称为带平面分离的动态超启发式算法(DHH-PS), 采用基于偏好的DMOEA作为底层启发式算法来求解带偏好的DMOPs。

如果有一种LLH表现得非常好,那么当单独应用时,它可能会工作得更好

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值