5.[论文分享] TSMC 2021 动态选择偏好辅助约束多目标差分进化算法

标题	Dynamic Selection Preference-Assisted Constrained Multiobjective Differential Evolution
作者	Kunjie Yu; Jing Liang; Boyang Qu; Yong Luo
邮箱	yukunjie@zzu.edu.cn
机构	Zhengzhou University
论文	https://doi.org/10.1109/TSMC.2021.3061698

摘要

Solving constrained multiobjective optimization problems brings great challenges to an evolutionary algorithm, since it simultaneously requires the optimization among several conflicting objective functions and the satisfaction of various constraints. Hence, how to adjust the tradeoff between objective functions and constraints is crucial. In this article, we propose a dynamic selection preference-assisted constrained multiobjective differential evolutionary (DE) algorithm. In our approach, the selection preference of each individual is suitably switching from the objective functions to constraints as the evolutionary process. To be specific, the information of objective function, without considering any constraints, is extracted based on Pareto dominance to maintain the convergence and diversity by exploring the feasible and infeasible regions; while the information of constraint is used based on constrained dominance principle to promote the feasibility. Then, the tradeoff in these two kinds of information is adjusted dynamically, by emphasizing the utilization of objective functions at the early stage and focusing on constraints at the latter stage. Furthermore, to generate the promising offspring, two DE operators with distinct characteristics are selected as components of the search algorithm. Experiments on four test suites including 56 benchmark problems indicate that the proposed method exhibits superior or at least competitive performance, in comparison with other well-established methods.

解决有约束的多目标优化问题给进化算法带来了巨大的挑战，因为它同时需要在多个相互冲突的目标函数之间进行优化并满足各种约束。因此，如何调整目标函数和约束之间的权衡至关重要。在本文中，我们提出了一种动态选择偏好辅助约束多目标差分进化（DE）算法。在我们的方法中，每个个体的选择偏好随着进化过程适当地从目标函数切换到约束。具体来说，在不考虑任何约束的情况下，基于Pareto优势提取目标函数信息，通过探索可行区域和不可行区域来保持收敛性和多样性；而基于约束优势原则利用约束信息来提高可行性。然后动态调整这两种信息的权衡，前期强调目标函数的利用，后期注重约束。此外，为了生成有前途的后代，选择两个具有不同特征的 DE 算子作为搜索算法的组成部分。对包括 56 个基准问题的四个测试套件进行的实验表明，与其他成熟的方法相比，所提出的方法表现出优越或至少具有竞争力的性能。

贡献

• 提出了一种针对 CMOP 的动态选择偏好策略，其中选择偏差随着进化过程从目标函数切换到约束。这样，前期主要加强人口的多样性和汇聚性，从而探索各种潜在区域，避免陷入局部区域；而后期则考虑并强调可行性，确保可以得到可行PF。

• 权重的变化趋势由进化阶段以简单的方式控制，并且没有引入任何额外的参数，易于实现。

• 设计了基于两个DE算子的搜索算法，进一步寻求多样性、收敛性和可行性之间的平衡。

• 56个测试函数的实验结果充分表明DSPCMDE比其他先进方法具有更好或极具竞争力的性能。

相关工作——DMOP

CMOP

CMOP技术通常有以下几种解决方法：

• 使用罚函数法来惩罚不可行的解决方案。

• 添加相应的约束违规来扩展每个解的目标函数。

• 使用自适应罚函数和距离度量来修改目标函数。

本文的方法

动机

在求解一个CMOP时，作为最终目的，总是希望得到具有良好多样性和收敛性的可行PF。因此，在设计 CMOEA 时，可行性、多样性和收敛性之间的精心平衡具有重要意义。事实上，这个问题可以通过两个权衡来解决：1）目标函数和约束之间的权衡；2）多样性和收敛性之间的权衡。对于第一个权衡，CHT 起着至关重要的作用，因为它决定如何使用目标函数和约束中的信息。而对于第二个权衡，需要一个 MOEA 来保持目标函数方面的多样性和收敛性。然而，大多数现有方法的性能受到限制，因为它们更倾向于约束或目标函数和约束之间的恒定偏好，并且目标函数中存在的有价值的信息没有得到有效的挖掘和利用。

鉴于上述问题，本文通过考虑上述两个权衡，提出了一种动态选择偏好辅助的约束多目标DE。首先，对于每个解决方案，分别根据Pareto优势和CDP对总体进行排序后获得其两个排名。然后，随着演化过程，动态调整这两个排名之间的折衷，将偏好从目标函数切换到约束。通过这样做，可以适当地管理目标函数和约束之间的权衡。此外，有前途的后代是通过协作使用两种流行的DE算子产生的，具体来说，其中一种倾向于增强收敛性，另一种倾向于增强多样性。因此，保持了多样性和收敛性之间的权衡。通过上述过程，提出了一种替代的 CMOEA，即 DSPCMDE 来求解 CMOP。DSPCMDE的设计原理如下图所示。

design principle of DSPCMDE

框架

下面是算法的流程图。

framework

动态选择偏好

如前所述，为了生成下一个种群，采用动态选择偏好从 2N 个个体的组合种群中选择 N 个表现良好的个体。因此，性能测量技术不仅需要目标函数，而且还需要约束，因为如上所述，需要仔细考虑它们的权衡。在本文中，为了简单起见，分别考虑目标函数和约束，使用 Pareto 优势和 CDP 来比较个体。一般来说，为了实现目标函数和约束之间的权衡，早期应该优先考虑更多的目标函数信息；而后期应强调更多约束信息。

搜索算法

作为 CMOEA 的另一个重要组成部分，搜索算法旨在产生有前途的后代。一般来说，期望的搜索算法应该考虑多样性和收敛性之间的权衡以及目标函数和约束之间的权衡。为了实现这两个权衡，本文集成了两种流行的 DE 算子，它们已成功用于解决约束问题。它们的描述如下。

• DE/rand-to-best/1/bin

formulate1

• DE/current-to-rand/1

formulate2

总结

在本文中，通过结合动态选择偏好和 CMOP 的 DE 算子，开发了一种名为 DSPCMDE 的新型 CMOEA。特别地，每个个体的选择偏好是由目标函数和约束的加权和动态确定的。对于每个个体，在不考虑保持收敛性和多样性的约束的情况下，通过对目标函数实施帕累托支配来获得第一名；而第二个排名是通过进行约束支配原则来利用约束信息来提升可行性。更重要的是，这两个排名是动态组合的，随着进化过程将搜索偏差从目标函数切换到约束。因此，通过考虑不同进化阶段所需的搜索重点，动态调整目标函数和约束的平衡。此外，将两个具有不同属性的DE算子组合起来作为搜索算法，通过考虑收敛性和多样性之间的权衡来产生有前途的后代。DSPCMDE 的性能通过四个测试套件的实验研究得到了充分验证，结果表明 DSPCMDE 与其他成熟的 CMOEA 相比具有更好的或至少具有竞争力的性能。最后，还证明了所引入的 DSPCMDE 组件的有效性。将来，我们希望扩展 DSPCMDE 来处理动态 CMOP和约束多目标优化问题。此外，我们还将研究如何挖掘约束条件与目标函数之间的相关性来指导 CMOEA 群落的种群演化。