【多目标进化优化】MOEA 的分类

声明

本文内容来源于 《多目标进化优化》 郑金华 邹娟著，非常感谢两位老师的知识分享，如有侵权，本人立即删除，同时在此表示，本文内容仅学习使用，禁止侵权，谢谢！

1. 按不同的进化机制分类

按进化机制的不同， MOEA 可分为三类 ：基于分解的 MOEA (decomposition- based MOEA）、基于支配关系的 MOEA（ domination-based MOEA ）和基于指标的 MOEA (in-dicator-based MOEA ）

1.1 基于分解的 MOEA

在处理多目标优化问题时，最直接的方法，也是比较早期所使用的方法就是聚集函数方法。这种方法将被优化的所有子目标组合（ combine ）或聚集（ aggregate ）为单个目标．从而将多目标优化问题转换为单目标的优化问题

聚集函数可以是线性的，也可以是非线性的 当聚集函数呈线性时．无论如何调整权重系数，都难以搜索到非凸解。但当聚集函数呈非线性时．可以很好地解决以上问题

张青富：基于分解的多目标进化算法 MOEA/D

1.2 基于支配关系的 MOEA

基于 Pareto 方法的基本思路是利用基于 Pareto 的适应度分配策略，从当前进化群体中找出所有非支配个体基于 Pareto 方法 MOEA 比较多，主要有以下几种：

① Srinivas 和 Deb 等提出的 NSGA 和 Deb 等提出的 NSGA-II 和 NSGA-III
② Zitzler Thiele 1999 年提出的 SPEA 和 SPEA2
③ Fonseca Fleming 提出的 MOGA
④ Horn Nafpliotis 等提 出的 NPGA
⑤ Van ldhuizen 通过扩充 mGA，提出了 MOMGA，后来 Zydallis 在 MOMGA 的基础上提出了 MOMGA-II
⑥ Pelikan 等提 出的 hBOA，Khan 通过扩充 hBOA 提出了 mhBOA，
⑦ Knowles 等提出的 ES
⑧ Corne 等提出的 PESA
⑨ Coello Coello 等提出的 MMOGA
⑩ 曾三友等提出的 OMOEA
⑪ 郑金华提山的 EMOEA

1.3 基于指标的 MOEA

基于指标的 MOEA 使用性能评价指标来引导搜索过程和对解的选择过程。

2. 按不同的决策方式分类

按决策方式不同，可以将 MOEA 分为三大类：前决策技术（ priori technique ）、交互决策技术（ progressiv technique ）和后决策技术（ postriori technique）

2.1 前决策技术

前决策技术指在 MOEA 搜索之前就输入决策信息，然后通过 MOEA 运行产生个解提供给决策者。其主要优点是简单、易于实现，同时具有较高的效率；最大的不足是限制了搜索空间，从而不能找出所有的可能解

前决策技术的主要方法有 lexicographic、linear fitness combination 和 nonlinear fitness combination。Lexicographic 方法首先将目标按重要性排序，然后依次选择目标进行优化；也可以在每一代进化中随机地选择一个目标进行优化。Linear fitness combination 方法将多目标优化问题中的多个目标进行线性组合，并对各个子目标赋予不同的权值，将其转化为单目标问题的优化。 Nonlinear fitness combination 方法又有三类方法，即 multiplicative fitness combination 方法（将不同的目标值通过乘法运算组合起来）、target vector fitness combination 方法（将一个目标与其期望的目标之间的距离作为组合适应度）和 minimax fitness combination 方法（最小化各目标与决策者指定的目标之间的最大差异）

2.2 后决策技术

后决策技术通过运行 MOEA 产生一组解供决策者选择，是最常用的方法，也是研究成果最多的方法。
后决策技术的主要方法有 independent sampling、 criterion selection 、aggregation selection 和 Pareto sampling

（1）independent sampling 方法

Independent sampling 方法是一类采用单目标搜索策略实现多目标优化的方法．每个目标赋予不同的权值，每次运行时对权值进行调整。其优点是简单并具有较高的效率，不足之处是由于每次运行时需要调整权值，这样当目标数目比较大时，运行次数就会很大

（2）criterion selection 方法

VEGA (Schaffer, 1985 ）是 criterion selection 方法的典型代表．即将一个规模为 M 的群体分成 k 个子群体，并分别针对不同的子目标进行进化，每个子群体规模为 M/k 走（k 为目标数），然后将 k 个子群体混合到一起进化。其优点是简单、易于实现。一次运行可以产生多个解，不足之处是当 true pareto front 呈非凸时难以找到最优解

（3）aggregation selection 方法

Aggregation selection 方法是采用 fitness combination 方法（线性或非线性的）对所求取的个体适应度进行选择操作的一类方法，每次运行时产生一组解不足之处是因为采用了带权组合方法求个体的适应度，因此将会丢失一些属于最优边界上的解

（4） Pareto sampling 方法

Pareto sampling 方法的基本思路是利用基于 Pareto 的适应度分配策略．从当前进化群体中找出所有非支配个体，这种方法最早是由 Goldberg 提出的主要有下列几类： Pareto-based selection, Pareto deme- based selection, Pareto elitist-based selection 以及 Pareto rank and niche-based selection

① Pareto-based selection 方法引入了 Pareto 排序机制来实现选择操作，但不是用 Niching Crowding Fitness Sharing 等机制来维持解群体的分布性，而是采用别的方法来维持解群体的分布性和多样性，如在 TOGA (thermodynamical genetic algorithm) (Kita et al, 1996 ）中通过调节温度来控制解群体的分布性和多样性

② Pareto deme- based selection Pareto 排序机制引人各子群体中实现选择操作（ Marvin ct al, 1999; Kim et a l , 2001) ，通过各子群体的并行进化来维持解群体的分布性和多样性，自然地，由于各子群体之间的信息交换而增加了通信开销

③ Pareto elitist-based selection 将当前进化群体中部分优秀个体直接复制到下一代，而不对它们执行任何进化操作。

④ Pareto rank and niche-based selection 方法是目前最热门的方法，它对不同层次的非支配个体赋予不同 rank 值， niche 共享机制来维持解群体的分布性和多样性

2.3 交互决策技术

交互决策技术是决策与搜索或搜索与决策交互过程，在此过程中既可能用到前决策技术，也可能用到后决策技术不足之处。是难以定义决策偏好，同时效率比较低