基于dijsktra算法的最短路径求解_【优化算法】多目标优化与帕累托解

多目标优化与帕累托解

1. 多目标优化

多目标优化问题(muhiob—jective optimization problem，MOP)的定义是什么呢？感觉从文献里面查询会比较准确，所以我就找了知网检索第一个文献《基于粒子群算法求解多目标优化问题》，里面说到了相关的形式。

通常一个多目标优化问题可以表示如下：

其中，决策向量，目标向量，和目标函数，是系统约束。

我们会发现多目标优化问题与线性规划问题很类似。这篇文章中写到了利用改进的粒子群优化算法(PSO)对多目标优化问题提出了自己的想法。

其与单目标优化问题的本质区别在于，它的解并非唯一，而是存在一组由众多Pareto最优解组成的最优解集合，集合中的各个元素称为Pareto最优解或非劣最优解。(注意，是不止一个的最优解)

2.算法使用

多目标优化问题解决的过程就是去搜索最优解的过程，其中我们使用不同的算法去搜索最优解。

2.1 多目标进化算法

多目标进化算法的基本原理描述如下：多目标进化算法从一组随机生成的种群出发，通过对种群执行选择、交叉和变异等进化操作，经过多代进化，种群中个体的适应度不断提高，从而逐步逼近多目标优化问题的Pareto最优解集。与单目标进化算法不同，多目标进化算法具有特殊的适应度评价机制。

2.2 多目标模拟退火算法

模拟退火算法是一个有效的全局优化算法，这类算法的最大优点是对搜索空间(目标函数的性质)不加任何限制，可以是不连续的、不可微的，并且也能求得Pareto边界上多个不同方向的Pareto最优解；但是其需要大量的迭代次数，因而收敛速度慢、优化效率较低。

2.3 多目标蚁群优化算法

蚁群算法的基本原理描述如下：基于对自然界真实蚁群的集体觅食行为的研究，模拟真实的蚁群协作过程。算法由若干个蚂蚁共同构造解路径，通过在解路径上遗留并交换信息素的方法反馈信息提高解的质量，进而找到最短路径，达到优化的目的。

2.4 多目标粒子群算法

这就是就是刚才提到的那篇文章中使用的算法。

粒子群算法思想描述如下：初始化种群后，种群的大小记为N。基于适应度支配的思想，将种群划分成两个子群，一个称为非支配子集A，另一个称为支配子集B，两个子集的基数分别为、，满足两个子群基数之和为N。

3. Pareto曲线

这个时候我们知道了求解的算法，求出来的解是什么形式呢？

• 帕累托最优解(图中红线上每一个点)
• 最优解的集合称为Pareto最优集
• 帕累托最优的结果的集合往往是Pareto前沿(图中红线)，也叫Pareto边界

测试函数

测试函数是什么？如果看到了一些多目标优化的问题，在结尾处都会使用一个叫做测试函数的东西，大部分多目标优化问题算法都用其做测试以验证算法的有效性。

常见的有：

• ZDT1(x)
• ZDT2(x)
• ZDT3(x)
• ZDT4(x)
• ZDT6(x)
• P1(x)
• P2(x)
• MOP2(x)
• MOP3(x)
• DTLZ1(x, nobj = 3)
• DTLZ2(x, nobj = 3)
• DTLZ3(x, nobj = 3)
• DTLZ7(x, nobj = 3)

主要用法就是给定测试函数中的函数，然后根据测试函数的固定流程生成帕累托解的图像进行对比。

参考

• 张利彪 周春光 马 铭 刘小华《基于粒子群算法求解多目标优化问题》
• 肖晓伟 肖 迪 林锦国 肖玉峰《多目标优化问题的研究概述》
• 张勇德 黄莎白《多目标优化问题的蚁群算法研究》
• 维基百科