MOEA/D-DAE:A Constrained Multiobjective Evolutionary Algorithm With Detect-and-Escape Strategy
在本文中,为了解决两种stagnation states:1. 一个多目标优化问题的可行区域可以由几个不连通的可行子区域组成,搜索很容易被困在一个不包含所有全局帕累托最优解的可行子区域中;2. 一个整体的约束违反函数可能有许多非零的最小点,它会使搜索停留在一个不可行的区域。因此,作者在本文中使用了 detect-and-escape策略(DAE),通过 feasible ratio和chage rate of constraint violation来检测算法是否停滞;通过调整 constraint violation的权重来指导算法跳出停滞阶段(stagnation)。
在原来的epsilon-constraint handling method中(公式4),小于epsilon值的解可以保持diversity,但是当大于epsilon时,就不能保持;在本文中,当大于epsilon时,作者提出了公式6来计算fitness,因此在本文中,公式4可以转换成公式7。参数epsilon由公式8计算得来,公式7中大于epsilon情况也是MOEA/D-DAE能够增强population diversity的原因。
此外,DAE算法还有一个临时存档,主要用来考虑constraints,通过公式6,sigma=(1/N)。临时存档主要有以下两个用途:1. 记录迄今为止发现的低约束值的region;2. 在DAE结束后提供一个staring population。
本文使用了ROC indicator来判断population什么时候陷入了local optimal region。ROC定义如公式9所示
CP为当前种群的约束值之和,CP_old是当前之前 T代的约束值之和。
状态转移情况如下所示