基于分解的多目标优化算法MOEAD（一）：加权和分解法的等高线理解和分析

Jouski

已于 2024-04-27 22:24:55 修改

阅读量1k

点赞数 27

分类专栏：智能优化算法文章标签：算法 matlab 启发式算法

于 2024-04-27 20:42:39 首次发布

本文链接：https://blog.csdn.net/weixin_57965124/article/details/138253246

版权

智能优化算法专栏收录该内容

5 篇文章 9 订阅

订阅专栏

本文通过对比NSGAII和MOEAD算法，重点讲解了加权和法（WeightedSum）在多目标优化中的等高线分析，展示了该方法如何通过向量投影决定个体优劣。作者以直观的图形解释了WS分解法的进化方向特性。

摘要由CSDN通过智能技术生成

NSGAII算法和MOEAD算法是多目标优化领域的两大经典算法。相较于NSGAII算法，MOEAD算法更难理解，主要难点在不能很好理解三种分解方法（尤其是后两种）。本文旨在通过对等高线的分析来帮助理解三种分解策略。为便于理解，本文的目标函数数量均为2。

加权和法（Weighted Sum）的数学表达式为：

$$
\begin{align*}
min \;\; g^{ws}(x | \lambda) = \sum_{i=1}^{m} \lambda_{i} f_{i}(x)
\tag{1}
\end{align*}
$$

向量形式为：

$$
\begin{align*}
min \;\; g^{ws} = \lambda^{T} f
\tag{2}
\end{align*}
$$

显然$ \lambda^{T} f $是向量$ \overrightarrow{\lambda} $和$ \overrightarrow{f} $的内积。若令$ \theta $为向量$ \overrightarrow{\lambda} $和$ \overrightarrow{f} $的夹角，则内积还可以表示为：

$$
\begin{align*}
{\left| \overrightarrow{\lambda} \right|} \cdot {\left| \overrightarrow{f} \right|} {\cos \theta}
\tag{3}
\end{align*}
$$

其中$ \left| \overrightarrow{f} \right| \cos \theta $是向量$ \overrightarrow{f} $在向量$ \overrightarrow{\lambda} $方向上的投影，示意图如图1所示。

图1

由于$ \left| \overrightarrow{\lambda} \right| $是定值，所以$ g^{ws} $的大小仅取决于$ \left| \overrightarrow{f} \right| \cos \theta $。如图2所示，直线$ l $上的点在向量$ \overrightarrow{\lambda} $方向的投影均为$ \left| \overrightarrow{f} \right| \cos \theta $，因此直线$ l $是一条等高线，其上所有的点与$ \overrightarrow{\lambda} $的$ g^{ws} $值相同。

图2

通过上述例子可以得出，WS法的等高线垂直于向量$ \overrightarrow{\lambda} $，且等高线离原点越近，其上面的点的$ g^{ws} $值越小。

如图3所示，如果现在有两个点$ f(x_{1}) $和$ f(x_{2}) $，分别位于等高线$ l_{1} $和$ l_{2} $上。那么由于$ l_{1} $比$ l_{2} $更接近原点，所以满足$ g^{ws}(x_{1}|\lambda) < g^{ws}(x_{2}|\lambda) $，因此可以认为个体$ x_{1} $优于个体$ x_{2} $。