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。
每个目标的最小值和最大值偏好
平面为每个维度拓展的大小
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。
定义了每个平面中可对种群做出贡献的最大解集百分比。
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
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。
显示了DHH-PS用来评估启发式h的选择函数(CF)
两阶段排序方案,根据一组性能指标来比较h
自上次DHH-PS选择h以来经过的世代数。
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
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