动态多目标进化算法DMOEA/D求解FDA测试系列

动态多目标定义

动态多目标优化问题（DMOPs）具有多目标优化问题（MOPs）的问题特点，同时 DMOPs 的 （目标函数，约束或参数）可能随着时间的变化不断发生变化。

动态多目标的目标与应用

DMOPs 的目标是：追踪不同时刻的PS。

DMOPs 的典型应用领域：

1）交通运输：（十字路口）的道路状况、车辆数目、任务优先级、突发状况；

如何管理车辆减少交通拥堵和实现社会效益最大化。

2）环保：（电力调度）电力需求；

如何实现发电总能源成本和排污最小化。

动态多目标的挑战

DMOPs 的挑战：

如何准确检测到发生的变化，并对变化做出有效的应答

如何较快的找出当前时刻的最优解

动态多目标的问题分类

（1）Type I:   PSt 变，  PFt 不变

（2）Type II:  PSt 变，  PFt 变

（3）Type III:  PSt 不变，PFt 变

（4）Type IV:  PSt 不变，PFt 不变

好的动态多目标进化算法的特点

1）环境变化，能够灵敏快速检测环境的变化并有效的响应环境变化

2）算法能够快速追踪到当前环境的PS。

环境变化检测方法

1）重评估： 从种群中选取一部分个体，并对这些个体进行重新评估，如果相邻两次迭代的目标函数值之间存在差异，那么认为环境发生变化。

变化检测方法分类：

A.基于种群的方法。    （从种群种选择一些个体）

B.基于搜索空间的方法。 （在搜索空间产生一些新个体）

缺点：解得数量会影响算法复杂度

2）目标函数值数据的分布估计：在当代中找到的PS，然后放在下一代中计算，得到新的目标解集，若当代和新一代目标解集分布不同，则认为环境发生变化。

缺点：相关参数设定值得研究

3）稳定状态检测方法：将所有个体随机排列，然后进行逐一评估，如果发现某个个体评估存在差异，则认为环境发生变化。

缺点：算法的时间复杂度对随机排序的顺序有很强的依赖性。

环境响应策略

1）多样性引入机制：增加种群多样性，防止局部收敛

2）多样性保持机制：直接将上一时刻的PS作为新时刻的初始种群。

3）预测机制：找到环境变化的某种规律来预测下一次环境变化。

4）记忆机制：存储的历史环境中找到的PS，并在新环境中重新使用存储的解。

5）自适应应答机制

6）特殊模型的应答机制

性能指标

准确性度量指标

（1）世代距离GD：算法获得的PF和真实PF之间的距离

（2）成功率：所获得的的PS映射在真实前沿PF上的比例

多样性指标

（1）间距s：PF中个体分布是否均匀

（2）间距D：PF中个体分布是否均匀

综合度量指标

（1）反向世代距离IGD：所获得的PF和真实PF之间的接近程度

（2）超体积HV:衡量算法所获得的PS在目标空间所覆盖的范围大小，衡量收敛性和多样性。

动态多目标优化算法的应用

（1）控制问题：

垃圾焚烧 ： 焚烧垃圾的总量随机，动态变化

温室：    光照、湿度、二氧化碳浓度

镁的制造： 产量和镁颗粒的等级

选矿工艺操作： 寻求精矿品位和产量最大化

（2）调度问题：

水火电力调度：发电总能源成本及其污染排放量最小化

铁路调度： 减少火车延误的影响，速度、物理特性、时间

（3）机械设计：

梯度材料：材料性能会发生变化，车削中刀具磨损和表面粗糙度是待优化目标

动态焊接桥梁设计：最小化制造成本，最小化杆端扰度，每个时刻固定负载不同。

动态减速器：最小化体积和两齿轮之一的应力，参数值可被环境影响。

（4）图像分割问题：

动态图像分割

（5）资源管理问题：

战场资源分配：有效为给定的战争分配兵力，达到我方收益最大、损害最小 -- 攻击前要根据实际情况部署

医院资源利用：降低成本，提高服务质量； -- 患者吞吐量、出院患者数量、资源成本、备用容量

（6）路径优化问题：

车辆路径优化：等待时间小，环境污染小

时变因素：车辆发生故障、路况发生变化、服务客户动态出现

程序DMOEAD

该程序包含

其中

DMOEAD.m 为主函数程序，包括相关参数赋值，环境的循环，每个环境的进化操作，性能指标的计算，绘制真实的前沿和优化前沿的图像，在环境变化时进行预测，主要包括DMOEA/D（直接利用上一时刻最优解），DMOEA/D-AA（重新初始化部分个体），DMOEA/D-BB（变异部分个体）。最后输出相关统计数据。

evaluate_objective.m 包括FDA系列测试函数的定义

evolution.m为差分进化方式

fixnew.m为修复越界

gaussian_mutate.m为高斯变异方式

HV.m和IGD.m为性能指标计算

init_neighbour.m为初始化邻域

initialize_variables.m为初始化种群

main.m为运行文件，包括参数赋值，环境设置，结果保存等

objective_description_function.m为定义相关测试函数目标个数，指标参考点，变量界限等

plot_figure.m为绘制图像

predict_1.m为环境响应方式

ptrue.m为FDA系列真是前沿

UniformPoint.m为生成均匀分布的参考向量

updates.m为更新个体

链接：DMOEA/D

某个环境采用DMOEA/D-AA优化FDA1结果如下