【读论文】利用受约束和非约束帕累托前沿的关系解决受约束多目标优化问题

最新推荐文章于 2024-06-12 10:00:23 发布

苇岸弦歌

最新推荐文章于 2024-06-12 10:00:23 发布

阅读量321

点赞数

文章标签：算法 1024程序员节

本文链接：https://blog.csdn.net/weixin_39083202/article/details/133893348

版权

Utilizing the Relationship Between Unconstrained
and Constrained Pareto Fronts for Constrained
Multiobjective Optimization

Jing Liang , Senior Member, IEEE, Kangjia Qiao , Kunjie Yu , Member, IEEE, Boyang Qu ,
Caitong Yue , Member, IEEE, Weifeng Guo, and Ling Wang , Member, IEEE

1、什么是受约束多目标优化问题（CMOPs）

约束限制、多目标

重点是同时满足收敛性、多样性、可行性

2、解决CMOP的算法

基于支配关系的EA算法（dominance-based EAs）

如NSGA-II，在算法中，按照排序算法进行了个体的选择

一是按受支配程度排序，非支配解被优先选择

如何衡量个体的受支配程度呢，算法描述中，记录了支配该个体的个体数目，显然该数目为0时，个体为非支配解

二是拥挤距离排序，拥挤距离大的优先选择，保证了解相对分散

K. Deb, A. Pratap, S. Agarwal, and T. Meyarivan, “A fast and elitist
multiobjective genetic algorithm: NSGA-II,” IEEE Trans. Evol. Comput.,
vol. 6, no. 2, pp. 182–197, Apr. 2002.
基于指标的EA算法indicator-based EAs

一是基于超体积指标HV-Based MOEAs

HV指标越大，种群的收敛性和多样性越好

二是I( $\varepsilon$ )+-Based MOEAs

三是ISDE-Based MOEAs

Z.-Z. Liu, Y. Wang, and B.-C. Wang, “Indicator-based constrained
multiobjective evolutionary algorithms,” IEEE Trans. Syst., Man,
Cybern., Syst., vol. 51, no. 9, pp. 5414–5426, Sep. 2021.

基于分解的EA算法decomposition-based EAs

有着不同的分解方法：

加权和WS（weighted sum)

通过权重向量将多目标问题分解为单目标子问题，随着权重向量的不同也会产生不同的子问题

切比雪夫TCH（tchebycheff）

基于惩罚边界交叉口PBI（penalty-based boundary interesection）

2018年，张青富团队提出了一种新的划分方法：

网格约束分解CDG（a constrained decomposition with grids）

K. Li, R. Chen, G. Fu, and X. Yao, “Two-archive evolutionary algorithm for constrained multiobjective optimization,” IEEE Trans. Evol.
Comput., vol. 23, no. 2, pp. 303–315, Apr. 2019.

3、约束处理技术constraint-handling techniques (CHTs)

以上种种算法都需要约束处理技术

罚函数法
Methods Based on penalty function

方法：把约束作为惩罚项加入目标函数，从而转化问题为无约束问题

优势：易于求解

局限：惩罚因子的选取比较困难

可行性法则
constrained dominance principle (CDP)

方法：提出3条准则：可行解优于非可行解；对于非可行解，约束违反程度小的优于程度大的；对于可行解，由目标函数值决定占优关系。公式化描述如下：

优势：相较于罚函数，无需设置惩罚因子。在使用罚函数的情况下，如果惩罚因子设置不合理，那么会使问题陷入不可行域的局部最优值，在应用了可行性法则之后，即使不可行域的最优解，其表现也只是和可行域中最差的一样，从而避免了以上问题。

局限：倾向于保留可行解，使得不可行解难以进入种群,这样就使得该方法在求解最优解位于可行
域边界上的约束优化问题时可能存在问题

ε约束处理法

方法：通过松弛利用了一些非可行解，特别适用于具有非连续的可行区域的优化问题。通过设定ε值将约束划分为不同的区间,个体之间的比较在不同的约束区间内采用不同的处理方法,该方法是
对可行性法则的扩展,它以牺牲时间为前提,对搜索空间进行充分搜索

来源：Constrained optimization by ε constrained particle swarm optimizer with ε-level control

局限：额外引入的松弛变量严重影响了算法表现

其他约束处理技术

随机排序法
Stochastic Ranking (SR) Methods

采用冒泡排序的方法来处理约束优化问题。根据约束条件或目标函数值，使用额外的概率参数来进行解的比较
多目标优化法
Methods Based on Multiobjective Optimization

将约束转化为新的目标函数

局限：原有的目标函数和新引入的目标函数同等重要，导致种群难以向可行域演化

混合法-Hybrid Methods

混合多种约束处理方法

局限：很难在不同的运行阶段发挥每一种方法的优势

4、近期研究方向

对于大多数受约束多目标优化问题，所用到的约束处理技术都过多的强调了可行性的重要性，而对收敛性和多样性的考虑是不足的，这就导致在处理复杂约束时难以保证有效的搜索。如图，MOEA/D和NSGA-III两种算法都被可行域边界“困”住了。

近期的研究方向是如何利用非约束帕累托前沿的信息，代表算法dual-population-based-constrained MOEAs (DPCMOEAs)，通过寻找（无约束的帕累托前沿）UPF帮助寻找CPF（有约束的帕累托前沿）

Two-Archive Evolutionary Algorithm for Constrained Multiobjective Optimization，Ke Li , Member, IEEE, Renzhi Chen, Guangtao Fu, and Xin Yao , Fellow, IEEE

什么是CPF：可行的帕累托最优解集在目标空间的映射

局限性：两个种群拥有相同的权重，限制了算法的表现

定义寻找CPF的种群为Pop1，寻找UPF的种群为Pop2

当CPF和UPF接近时，迭代Pop2是有意义的，否则需要其他的办法来利用UPF帮助寻找CPF

5、提出URCMO

Utilizing the Relationship Between Unconstrained and Constrained Pareto Fronts for CMOP

学习阶段：衡量CPF和UPF的关系 ——通过可行信息和占优关系进行分类

用于寻找CPF的种群为P1，用于寻找UPF的种群为P2
为什么 I 型和 II 型问题需要为什么需要根据最优可行区域的大小对 I 类和 II 类问题进行进一步分类？
事实上，进一步的分类是由设计的演化策略决定的。也就是说按照最终的进化策略分类，有三种分类方式。

对于S1采用的策略具有很强的开发能力，因此多样性较低，因此他适合可行区域大的情况。

相反，S2侧重于探索能力，适合可行区域小，以及完全不重合的情况

S3是一种折中的策略
具体的说，S1采用的进化策略是GA+DE/transfer/1 算法，在该算法中，重复使用了两个种群的信息，并没有产生新的基因。因此，当使用 S1 时P2 很难找到一些小的可行区域。
相反，S2采用的 DE/current-to-opbest/1算法由于提供了更高的多样性和一些新的搜索方向，它更适用于最优可行区域较小的 I 型和 II 型问题。
因此，需要确定类型 I'和类型 II'。此外，没有必要确定类型 III' 和类型 IV' 问题。原因是，DE/current-to-opbest/1 已被用于在第三类和第四类问题中寻找小的最优可行区域
2、进化阶段：设计进化策略使得Pop2的进化辅助达到Pop1的CPF

分类	问题特点	进化方法侧重点	P2采用的方法策略	P1采用的方法策略
S1	前沿重合，可行区域大	开发能力exploitation	GA+DE/transfer/1	同学习阶段
S2	① 前沿重合，可行区域小 ② 前沿不重合	搜索能力exploration	DE/current-to-opbest/1
S3	前沿部分重合	兼而有之	GA+DE/transfer/1+ DE/current-to-opbest/1