约束多目标方法（6）——多阶段法

为了更有效地求解cmp问题，许多研究者将cmp问题转化为其他问题，如将cmp问题转化为协同优化问题或两阶段优化问题。在转换之后，一些有前景的算子，如协同进化，可以帮助种群更好地探索搜索空间，发现一些新的和潜在的信息，最终获得完整的CPF。承接上期多种群协同优化，这期向大家介绍多阶段法。

算法思想

多阶段法简单来说是指在进化过程中分为多个阶段，每个阶段所关注的重点不同。阶段关注点主要是目标函数值、约束违反程度、种群多样性、种群收敛性等。而多阶段法的重点在于如何合理地划分阶段。

近年算法整理

1、Santana-Quintero等将MOEA与基于粗糙集理论的局部搜索方法相结合来求解CMOPs。第一阶段采用MOEA法进行，接近第二阶段时，利用模糊集合理论改进了模糊集合解的多样性和收敛性。

2、Fan等人提出了一个PPS框架。推进阶段的目标是越过不可行的区域到达UPF。在牵引阶段，采用改进的ε约束方法搜索CPF。基于PPS框架，将CMOP分解为一组简单的子问题，每个子问题对应一个子种群，并将PPS框架应用于每个子种群以解决相关的子问题。

3、Wang等在多样性距离测度的基础上提出了一种客观空间修正机制，使有希望的不可行解更有效地找到最优解。此外，利用PPS搜索框架调整PF的位置，防止种群陷入局部最优，降低了时间复杂度。

4、Garcia-Garcia等利用细胞遗传算法(cellular genetic algorithms, CGAs)的特点，结合PPS技术求解cops。

5、Tian等设计了一种两阶段进化算法，称为CMOEA-MS，其中一个阶段帮助种群到达可行区域，另一个阶段使种群沿可行边界扩散。此外，该算法还可以根据种群的状态自适应地在这两个阶段之间切换。

6、Liu和Wang提出针对对于决策空间和目标空间都有约束的cops问题的两阶段优化方法。第一阶段是单目标问题，目的是寻找有希望的可行区域；第二阶段需要搜索最终PF并到达CPF。

7、Xiang等人提出了一种两阶段算法，命名为CIC-MOEA/D。第一阶段的目标是寻找UPF，因此只考虑目标;并且，逐步强调约束条件，目标是在第二阶段接近CPF。将整个进化过程分为两个阶段。第一阶段旨在保持收敛性和多样性的平衡，第二阶段致力于保持可行性和多样性，从而覆盖分布良好的PF。

8、Yu和Lu提出了一种基于DE的角点算法，该算法包括两个阶段。第一阶段是寻找角点，第二阶段是搜索真实CPF。

9、Zhang等采用人工蜂群的框架将优化过程分为两个阶段。在第一阶段，采用快速非优势排序方法促进种群达到PF，在第二阶段，采用Tchebycheff方法提高种群多样性。

10、Ming等提出了一种两阶段的进化算法，其中第一阶段用于寻找UPF并存储得到的可行解，第二阶段专注于探索CPF。