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