基于指标的约束多目标进化算法
【注:个人博客地址转移至:点此跳转】
【注:个人博客地址转移至:点此跳转】
【注:个人博客地址转移至:点此跳转】
参考文献 《Zhi-Zhong Liu , Yong Wang , Senior Member , IEEE, and Bing-Chuan Wang:Indicator-Based Constrained Multiobjective Evolutionary Algorithms》
要点
研究了将基于指标的多目标进化算法与约束处理技术相结合的可能性和合理性。开发了一个基于指标的CMOEA框架,该框架可以方便地将基于指标的MOEAs和约束处理技术结合起来。
一、介绍
约束多目标优化问题(CMOPs)是指在许多实际应用中经常遇到的包含约束的多目标优化问题。一般的,CMOP可以描述为
(1)
当前,一个比较好的解决CMOPs的方法是将多目标进化算法与约束处理技术相结合,因为多目标进化算法和约束处理技术在优化几个冲突的目标函数和处理不同的约束方面分别具有比较好的效果。
本文首次尝试研究基于指标的多目标进化算法和约束处理技术相结合的合理性和优越性。具体来说,提出了一个通用的基于指标的多目标进化算法框架,其中不同的基于指标的多目标进化算法可以很容易地与不同的约束处理技术相结合。根据提出的框架,本文通过考虑三个著名的基于指标的CMOEAs(即HypE、IBEA和ISDE和三个著名的约束处理技术(即可行性规则、随机排序和ε约束方法),开发了九个基于指标的CMOEAs。
二、相关工作
A、CMOPs的基本定义
1)帕累托支配相关概念
2)可行域:公式(1)的可行域定义为O = {x ∈ S|CV(x) = 0},其中
(2)
(3)
显而易见,CV(x)是x在所有约束上的约束违反程度,而CVi(x)是x在第i个约束上的约束违反程度。在(3)中,δ是放松等式约束的非常小的正值。
3)近似集:近似集A ⊂ F被定义为一个可行解集的映象,其中没有一个可行解Pareto支配或等于任何其他可行解。求解(1)的目标是获得一个收敛好、分布好的A。
B、基于指标的MOEAs
本文考虑了三种具有代表性的基于指标的多目标进化算法,即HypE、IBEA和ISDE,它们分别属于基于HV的MOEAs、基于I(ε)+的MOEAs和基于ISDE的MOEAs。
1)基于HV的MOEAs:对于种群P,其HV计算如下
(4)
其中,L表示勒贝格测度,NS表示P中的非支配解集,R表示参考点。
对于大多数基于HV的多目标进化算法,它们通常首先进行非支配排序,以识别特定的非支配等级的Fl。之后,对于Fl中的个体xu,其基于指标的适应值被定义为去除xu导致的HV损失。
(5)
《E. Zitzler and S. Künzli, “Indicator-based selection in multiobjective search,” in Proc. Int. Conf. Parallel Problem Solving Nat., 2004, pp. 832–842.》中提出了一种分配适应值方法,设计了一种二进制HV指标,对于P中的两个个体xu和xv,加性指标IHD被定义为
(6)
xu的基于指标的适应度值为
(7)
《J. Bader and E. Zitzler, “HypE: An algorithm for fast hypervolume-based many-objective optimization,” Evol. Comput., vol. 19, no. 1, pp. 45–76, Mar. 2011.》中,HypE提出了一个全新的策略,在交配和环境选择过程中为个体分配适应值。在这个策略中,由非支配解和参考点R包围的空间被分割成一系列特定的分区。随后,计算每个分区的HV贡献,并且应用聚集方法来将适应值分配给每个个体。
2)基于I(ε)+的MOEAs:I(ε)+指标是从帕累托支配关系中扩展出来的二元关系指标,对于P中的两个个体xu和xv,I(ε)+指标定义为
(8)
xu的基于指标的适应度值为
(9)
基于I(ε)+指标,IBEA被提出《E. Zitzler and S. Künzli, “Indicator-based selection in multiobjective search,” in Proc. Int. Conf. Parallel Problem Solving Nat., 2004, pp. 832–842.》
3)基于ISDE的MOEAs:ISDE指标是基于基于移位的密度估计设计的。对于P中的两个个体xu和xv,ISDE指标定义为
(10)
(11)
然后,将xu的基于指标的适应值指定为{ISDE(xu,xv),xv∈ P ∩ xv ≠ xu}集合中的第k个最小值。这里k设为√|P|。
ISDE指标最早是在SRA中提出的,其中ISDE指标与I(ε)+指标合作处理多目标优化问题。最近,通过利用从目标函数值之和得到的信息,ISDE指标被扩展到解决多目标和多目标优化问题。AnD(《Z.-Z. Liu, Y . Wang, and P .-Q. Huang, “A many-objective evolutionary algorithm with angle-based selection and shift-based density estimation,” Inf. Sci., vol. 509, pp. 400–419, Jan. 2020, doi: 10.1016/j.ins.2018.06.063.》)是通过利用基于角度的选择和基于偏移的密度估计来解决多目标优化问题而提出的。在本文中,一个没有基于角度选择的AnD的变体叫做ISDE。
C、约束处理技术
进化算法最初是为无约束优化设计的,因此当进化算法应用于约束优化时,需要额外的约束处理技术。约束单目标优化问题有三种众所周知的约束处理技术:FR,SR,和ε约束方法。
1)FR:在FR中,如果满足以下三种情况之一,则个体xu优于另一个个体xv。
xu是可行的,xv是不可行的;xu和xv都是不可行的,xu有更小的约束违反程度;xu和xv都是可行的,xu有更小的目标函数值。
2)SR:SR采用用户定义的参数Pf来控制两个个体xu和xv的比较标准。
xu和xv都是可行的,以1.0的概率比较他们的目标函数;xu和xv有一个是不可行的,以Pf的概率比较他们的目标函数,以(1-Pf)的概率比较他们的约束违反程度。(SR采用类似冒泡排序的过程对个体进行排序。一般来说,通过使用Pf,SR旨在平衡整个优化过程中的目标函数和约束条件。)
3)ε-约束方法:在该方法中,对于两个个体xu和xv,如果以下三个规则之一成立,则xu优于xv。
(12)
对于ε,它随着代数的增加而减少。
(13)
(14)
除了上述三种方法之外,在过去的二十年中,还提出了许多其他的约束处理技术。一个代表是约束非支配排序(CNS),这是一种完全无参数的方法。《 W. Ning, B. Guo, Y . Y an, X. Wu, J. Wu, and Z. Dan, “Constrained multi-objective optimization using constrained non-dominated sorting combined with an improved hybrid multi-objective evolutionary algorithm,” Eng. Optim., vol. 49, no. 10, pp. 1645–1664, 2017.》
三、基于指标的CMOEAs
A、主框架
算法1给出了基于指标的CMOEAs框架。
交配和环境选择是拟议框架的两个主要组成部分。在交配中,通过二元锦标赛选择从Pt中选择亲本,然后执行模拟二元交叉(SBX)和多项式变异以生成Qt。需要注意的是,二元锦标赛选择是基于个体在环境选择中的表现。
B、环境选择
环境选择旨在为下一代从Ut中选择N个表现良好的个体,这可以通过使用约束处理技术来实现。
1)基于指标的MOEA与FR相结合
2)基于指标的MOEA与SR相结合
3)基于指标的MOEA与ε约束方法相结合