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。