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()+-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
-
不足:
1、对于非常小或者非常分散的可行区域,论文提出的分类方法可能并不能准确的衡量CPF和UPF的关系
2、基于支配关系的分类和选择方法难以应对CMaOPs带来的高选择压力