基于分解的多目标优化算法MOEAD（二）：切比雪夫分解法的等高线理解和分析

最新推荐文章于 2025-01-10 22:36:12 发布

Jouski

最新推荐文章于 2025-01-10 22:36:12 发布

阅读量2.3k

点赞数 34

分类专栏：智能优化算法文章标签：算法 matlab 启发式算法

本文链接：https://blog.csdn.net/weixin_57965124/article/details/138257765

版权

智能优化算法专栏收录该内容

5 篇文章

订阅专栏

本文聚焦多目标优化领域的NSGAII和MOEAD算法，着重探讨较难理解的MOEAD算法的三种分解方法。采用改进的切比雪夫分解法，通过对等高线的分析，分情况讨论向量位置关系，得出个体优劣判断及MTCH分解法的进化方向，助力理解分解策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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。

为方便分析，本文采用改进的切比雪夫分解法。（其实道理类似）

改进的切比雪夫（Modified Tchebycheff）分解法的数学表达式为：

$$
\begin{align*}
min \;\; g^{mtch}(x | \lambda,z^{*}) = \max_{1\le i\le m} \left \{ \frac{f_{i}(x)-z^{*}_{i}}{\lambda_{i}} \right \}
\tag{1}
\end{align*}
$$

不妨令$ f_{i} = f_{i}-z^{*}_{i} $（这边的式子不太严谨，其实就是把目标函数空间平移一下，意思懂就行）。那么MTCH分解法的数学表达式就变成了：

$$
\begin{align*}
min \;\; g^{mtch}(x | \lambda,z^{*}) = \max_{1\le i\le m} \left \{ \frac{f_{i}(x)}{\lambda_{i}} \right \}
=\max \left \{ \frac{f_{1}(x)}{\lambda_{1}} ,\frac{f_{2}(x)}{\lambda_{2}} \right\}
\tag{2}
\end{align*}
$$

此时就有两种情况：1）向量$ \overrightarrow{f} $在向量$ \overrightarrow{\lambda} $下方；2）向量$ \overrightarrow{f} $在向量$ \overrightarrow{\lambda} $上方。

1）向量$ \overrightarrow{f} $在向量$ \overrightarrow{\lambda} $下方

图1

由图1可以看出，向量$ \overrightarrow{\lambda} $方向的直线斜率大于向量$ \overrightarrow{f} $方向的直线斜率，所以有：

$$
\begin{align*}
\frac{\lambda_{2}}{\lambda_{1}} > \frac{f_{2}}{f_{1}}
\tag{4}
\end{align*}
$$

简单变换一下，可以得出：

$$
\begin{align*}
\frac{f_{1}}{\lambda_{1}} > \frac{f_{2}}{\lambda_{2}} \Rightarrow
max \left \{ \frac{f_{1}}{\lambda_{1}},\frac{f_{2}}{\lambda_{2}} \right \}
=\frac{f_{1}}{\lambda_{1}}
\tag{5}
\end{align*}
$$

将（5）代入（2），可以得到

$$
\begin{align*}
g^{mtch}(x | \lambda,z^{*}) = \frac{f_{1}}{\lambda_{1}}
\tag{6}
\end{align*}
$$

由于$ \lambda_{1} $是定值，所以可以认为$ g^{mtch}(x | \lambda,z^{*}) $仅取决于$ f_{1} $。如图2所示，显然线段$ l $上的点与向量$ \overrightarrow{\lambda} $的$ g^{mtch} $值相同，因此线段$ l $是一条等高线。

图2

2）向量$ \overrightarrow{f} $在向量$ \overrightarrow{\lambda} $上方

图3

由图1可以看出，向量$ \overrightarrow{f} $方向的直线斜率大于向量$ \overrightarrow{\lambda} $方向的直线斜率，所以有：

$$
\begin{align*}
\frac{f_{2}}{f_{1}} > \frac{\lambda_{2}}{\lambda_{1}}
\tag{7}
\end{align*}
$$

简单变换一下，可以得出：

$$
\begin{align*}
\frac{f_{2}}{\lambda_{2}} > \frac{f_{1}}{\lambda_{1}} \Rightarrow
max \left \{ \frac{f_{1}}{\lambda_{1}},\frac{f_{2}}{\lambda_{2}} \right \}
=\frac{f_{2}}{\lambda_{2}}
\tag{8}
\end{align*}
$$

将（8）代入（2），可以得到

$$
\begin{align*}
g^{mtch}(x | \lambda,z^{*}) = \frac{f_{2}}{\lambda_{2}}
\tag{9}
\end{align*}
$$

由于$ \lambda_{2} $是定值，所以可以认为$ g^{mtch}(x | \lambda,z^{*}) $仅取决于$ f_{2} $。如图4所示，显然线段$ l $上的点与向量$ \overrightarrow{\lambda} $的$ g^{mtch} $值相同，因此线段$ l $是一条等高线。

图4

对于某个向量$ \overrightarrow{\lambda} $，个体在2维目标函数空间的分布有如下4种情况。

1）两个体都在向量$ \overrightarrow{\lambda} $上方，如图5中的$ x_{1} $和$ x_{2} $。由于$ f_{2}(x_{2}) < f_{2}(x_{1}) $，所以$ g^{mtch}(x_{2}|\lambda,z^{*}) = \frac{f_{2}(x_{2})}{\lambda_{2}} < g^{mtch}(x_{1}|\lambda,z^{*}) = \frac{f_{2}(x_{1})}{\lambda_{2}} $，因此可以认为个体$ x_{2} $优于个体$ x_{1} $。

2）两个体都在向量$ \overrightarrow{\lambda} $下方，如图5中的$ x_{3} $和$ x_{4} $。同理可以得出个体$ x_{3} $优于个体$ x_{4} $。

3）两个体都在向量$ \overrightarrow{\lambda} $上，如图5中的$ x_{5} $和$ x_{6} $。此时对于$ x_{5} $有$ g^{mtch}(x_{5}|\lambda,z^{*}) = \frac{f_{1}(x_{5})}{\lambda_{1}} = \frac{f_{2}(x_{5})}{\lambda_{2}} $；对于$ x_{6} $有$ g^{mtch}(x_{6}|\lambda,z^{*}) = \frac{f_{1}(x_{6})}{\lambda_{1}} = \frac{f_{2}(x_{6})}{\lambda_{2}} $。而$ \frac{f_{1}(x_{5})}{\lambda_{1}} < \frac{f_{1}(x_{6})}{\lambda_{1}} $、$ \frac{f_{2}(x_{5})}{\lambda_{2}} < \frac{f_{2}(x_{6})}{\lambda_{2}} $，所以$ g^{mtch}(x_{5}|\lambda,z^{*}) < g^{mtch}(x_{6}|\lambda,z^{*}) $，因此可以认为个体$ x_{5} $优于个体$ x_{6} $。

4）两个体在向量$ \overrightarrow{\lambda} $的两侧，如图5中的$ x_{7} $和$ x_{8} $。此时不能确定哪个个体更优。