RVEA:参考向量引导多目标优化进化算法
参考文献
《A Reference Vector Guided Evolutionary Algorithm for Many-Objective Optimization》
要点
- 本文提出了一种参考向量引导多目标优化进化算法。参考向量不仅可以用于将原始的多目标优化问题分解为多个单目标子问题,而且可以阐明用户偏好,以针对整个Pareto前沿的首选子集作为目标。
- 在提出的算法中,采用了一种称为角度惩罚距离的标量化方法来平衡高维目标空间中解的收敛性和多样性。提出了一种自适应策略,根据目标函数的尺度动态调整参考向量的分布。
一、介绍
本文的主要贡献如下:
- 一种标量化方法,称为角度惩罚距离(APD),旨在根据目标数和世代数在多目标优化中动态平衡收敛和多样性。在提出的APD中,收敛标准是通过候选解与理想点之间的距离来衡量的,而多样性准则是通过候选解与参考向量之间的锐角来衡量的。注意,如果参考向量用于表示用户偏好,则该角度还指示用户偏好的满意度。
- 提出了一种自适应策略来调整参考向量,以处理未很好归一化的目标函数。自适应策略根据不同目标函数的范围来调整参考向量的分布,以确保即使目标函数没有很好地归一化或PF的几何结构高度不对称,候选解也可以在目标空间中均匀分布是高度不对称的。该策略主要用于获得均匀分布的帕累托最优子集。
- 结果表明,参考向量还可以提供一种高效的和计算有效的方法来表达偏好。这种偏好表达在多目标优化中特别有价值,因为在这种情况下很难获得整个PF的代表性近似值。通过指定中心向量和半径,我们提出了一种