约束多目标优化算法（3）——基于目标与约束分离

基于目标与约束分离的方法

方法的基本思想是通过分别比较目标与约束来帮助种群收敛至前沿界面。主要方法有CDP、ε约束法和随机排序法(SR)。

CDP

CDP由大佬Deb提出，因其简单易行而最常用。CDP使用以下标准比较配对个体A和B。

1)当个体A和B都是可行解时，如果A Pareto优于B，则选择A进入下一代。

2)当A为可行解，B为不可行解时，选择A。

3)当A和B都是不可行解时，选择约束违反程度最小的个体。

优点：CDP的操作相对简单，它更倾向于可行的解
缺点：当问题为具有离散可行区域或不可行的障碍时，会导致种群陷入一些局部可行区域。为了弥补CDP的这一缺陷，最近提出了采用了生态位技术来增加种群的多样性。

ε约束法

该方法由Takahama和Sakai提出，该方法使用参数ε来放松约束。ε逐渐减小，当个体的约束违反程度小于ε时，视为可行解。显然，当ε降为0时，ε约束方法与CDP方法相同。当比较个体A和B时，ε约束方法使用以下标准。

1、CV(A)≤ε， CV(B)≤ε，且A 优于B，则选择A。

2、若CV(A)≤ε， CV(B)>ε，则选择A。

3、若CV(A)>ε， CV(B)>ε，且CV(A) < CV(B)，则选择A。

ε约束法算法整合介绍

1、Saxena等将ε约束方法整合到NSGA-II框架中，控制种群的不可行性，增强种群的收敛性。
2、Zapotecas-Martínez等提出了一种基于分解的多目标粒子群优化算法(MOPSO)，并将ε约束方法融入其中求解MOPSO。
3、Yang等也将ε约束方法和自适应操作选择集成到基于分解的多目标框架中。
4、Becerra等利用ε约束方法获得PF上(或非常接近)的几个点，然后利用基于粗糙集的方法将这些解扩展到整个PF。
5、Martinez和Coello Coello提出了一种基于ε约束方法的方法，利用MOEA/D中邻域的相关信息获得允许可行区域内的有希望解。
6、Fan等对ε约束方法进行了改进，并将其嵌入MOEA/D框架中，利用当前种群中可行解的比例来动态调整ε参数水平。
7、Yang等基于改进的ε约束方法设计了一种多目标差分进化算法(MODE-SaE)，其中ε水平可以自适应根据不可行个体的最大和最小约束违逆值进行调整。
8、Zapotecas-Martínez和Ponsich以约束违反度和标量函数为目标，将CMOP建立为双目标问题，并将ε约束方法集成到MOEA/D中求解所构造的问题。
9、Yang等提出了一种动态约束处理机制，将搜索过程分为两种模式:1)无约束搜索和2)约束搜索。在约束搜索模式下，采用改进的ε约束方法提高种群多样性。
10、Wang等将ε约束方法与小生境策略结合起来求解cops保证了算法的多样性。
11、Zhu等提出了一种帮助种群脱离停滞状态的技术，然后采用改进的ε约束方法搜索CPF，防止种群落入局部可行区域或不可行区域。

随机排序法(SR)

在随机排序法中，引入了一个概率参数pf。对两个个体进行比较时，用pf表示的概率仅比较其目标函数值，用(1-pf)表示的概率比较其约束违反程度。

优点：能够在一定程度上利用目标函数的信息。

ε随机排序法算法整合介绍

1、Geng等在求解cops时首次提出使用SR来平衡目标和约束。
2、Jan和Khanum将改进后的SR嵌入到MOEA/D框架中以解决cops问题。
3、Ying等提出了一种自适应随机排序机制，根据当前进化阶段和个体违规程度的差异，动态调整概率参数。
4、Liu等将基于指标的MOEA分别与CDP、ε约束法和SR相结合，研究了基于指标的cmoea。
5、Gu等提出了一种基于代理的进化算法，其中提出了一种基于适应度机制和自适应概率算子的改进SR策略。该策略考虑了收敛性和多样性，以提高候选解的质量。