多目标性能指标评价

最新推荐文章于 2024-08-26 19:49:57 发布

喝凉白开都长肉的大胖子

最新推荐文章于 2024-08-26 19:49:57 发布

阅读量1.2k

点赞数 1

分类专栏：调度优化文章标签：算法人工智能 python

原文链接：https://blog.csdn.net/qq_40458671/article/details/88601195

版权

调度优化专栏收录该内容

5 篇文章 0 订阅

订阅专栏

注：此次总结的只是多目标性能评价指标中很少的一部分。

一、指标的常见分类方法：

1.考虑指标同时能评估的解集数目（1个或2个解集），可将指标分为一元和二元指标。

一元指标：接受一个解集作为参数进行评估。
二元指标：接受两个解集作为参数，通过比较两个解集的支配关系或其他方面，给出哪个解集更好的判断。

2.多目标进化算法解集的性能评价指标主要分为三个方面：

1）解集的收敛性评价(convergence), 反映解集与真实Pareto前沿之间的逼近程度（距离）。一般我们希望所得解集距离PF尽可能近。
2）解集的均匀性评价(uniformity / evenness), 体现解集中个体分布的均匀程度。一般我们希望所得解集在PF上分布尽可能均匀。
3）解集的广泛性评价(spread), 反映整个解集在目标空间中分布的广泛程度。一般我们希望所得解集在PF上分布尽可能广、尽可能完整地表达PF。

也有一些学者，不这样分类，分为基数指标，收敛性指标，和多样性/分布性指标，认为多样性包括均匀性（evenness）和广泛性/范围（spread）,具体如下：

1）基数指标：评估解集中存在的解的个数。
2）收敛性指标（精确度指标）：评估解集到理论帕累托最优前沿的距离（逼近程度）。
3）多样性指标：包括评估解集分布的均匀性（evenness）和广泛性/范围（spread）。均匀性体现解集中个体分布的均匀程度；广泛性反映整个解集在目标空间中分布的广泛程度。

二、常用性能评价指标回顾

1.GD:解集P中的每个点到参考集P *中的平均最小距离表示。GD值越小，表示收敛性越好。

在这里插入图片描述
其中P是算法求得的解集，P 是从PF上采样的一组均匀分布的参考点，而dis（x，y）表示解集P中的点y和参考集P中的点x之间的欧式距离。

优点：相比HV，计算代价是轻量级的。
缺点：1）仅度量解集的收敛性，无法评估多样性；
2）需要参考集，使得这个测度很容易不客观；

2.convergence metric γ:解集P中的每个点到参考集P *中的最小距离的平均值。（类似GD）

在这里插入图片描述
其中P是算法求得的解集，P 是从PF上采样的均匀分布的参考点集，而dis（x，y）表示参考集P中的点x和解集P中的点y之间的欧式距离。

3.Spacing:度量每个解到其他解的最小距离的标准差。Spacing值越小，说明解集越均匀。

在这里插入图片描述
其中表示第di个解到P中其他解的最小距离，d-表示所有di的均值。

缺点：仅度量解集的均匀性，而不考虑它的广泛性。

4. diversity metric △：衡量所获得的解集的广泛程度。

在这里插入图片描述
参数df和dl是极端解与所获得的非支配集的边界解之间的欧几里德距;di 是所获得的非支配解集中的连续解之间的欧几里德距离;
d是di 的平均值。
假设最佳非支配前沿有N个解。使用N个解，有N-1个连续距离。当只有一个解，即N=1时，分母=分子。值得注意的是，这不是解可能的最坏情况。我们可以有一个场景，其中di 存在很大的差异。在这种情况下，度量可能大于1。因此，上述度量的最大值可以大于1.然而，良好的分布将使所有距离di 等于d并且将使得df=dl = 0（在非支配集合中存在极端解）。因此，对于最广泛和均匀展开的非支配解集，△的分子将为零，使得度量值为零。对于任何其他分布，度量的值将大于零。
对于具有相同df和dl值的两个分布，度量△在极端解中具有更高的值和更差的解的分布。

5.超体积指标（HV，Hypervolume）：算法获得的非支配解集与参照点围成的目标空间中区域的体积。HV值越大，说明算法的综合性能越好。

在这里插入图片描述
代表δ表示 Lebesgue 测度，用来测量体积。 |S| 表示非支配解集的数目， vi表示参照点与解集中第 i 个解构成的超体积。
优点：1）同时评价收敛性和多样性；
2）无需知道PF或参考集；
缺点：1）计算复杂度高，尤其是高维多目标优化问题；
2）参考点的选择在一定程度上决定超体积指标值的准确性；