前言
- 精英机制(Elitism),在EAs中经常被用来维护好的解,即精英个体。如何利用精英个体来指导搜索过程尚未得到充分研究。
- 维持多样性搜索,提升算法收敛性能,同时降低算法复杂度一直是MOEA设计过程中的重要话题。
- 基于邻域的非支配选择(Nondominated Neighbor-based Selection, NNS)机制
NNS的主要思想是,在开始启发式搜索之前,根据拥挤距离选择一定数量非支配个体的方法。其最早在NNIA算法(Gong, 2008)中被证明是简单有效的选择技术,作者进一步地根据拥挤距离针对选择的结果按比例进行个体复制(这一点与NNCA不同,后面会提到)。但面对那些早期阶段拥有较少非支配解的所谓的困难问题时,NNS表现效果不佳。 - 搜索停滞(Search Stagnation)问题
通过分析发现,当非支配解集较小时,NNS会使得算法仅仅围绕有限的非支配解附近搜索,从而导致搜索停滞并出现片面的PF。这一现象被称为"搜索停滞"问题。这也是在使用NNS时所要考虑的主要问题。 - 精英种群规模保障机制(Size Guarantee Mechanism, SGM)
为了避免搜索停滞,NNCA提出可通过SGM机制来改进NNS的性能。
SGM的主要思想是:当精英种群(全部非支配解种群 “DT”)规模小于预设值nE时,从后备种群(全部支配解种群 “I”)中随机挑选一些支配个体加入精英种群中,以保证精英种群规模达到nE。
随机支配解的加入,增加了精英种群的多样性。因此算法可以不受有限非支配个体的限制,从而避免了搜索停滞现象。
NNCA介绍
算法提要
NNCA属于一种基于目标解演化的CMOES,该类竞争协同演化算法的特点是:竞争的两个种群,其中一个由问题可能的解组成,而另一个由问题每个目标下我们期望达到的结果组成。
基于以上分析,在NNCA中采用了双种(Pop_elite, Pop_common)群模式,其中前者作为后者的目标,二者在进化过程中相互竞争。
关键步骤
- 计算Pop_elite中个体的 拥挤距离
- 根据拥挤距离估计属于每个elite的 Team Size
- 与NNIA不同的是,在NNCA中,当NNS执行完之后,处于less-crowded区域的精英个体被赋予更多的机会为自身 群体选择 更多个体,因此,其附近区域也将得到更加充分的搜索。
- 建立Team 即,通过两种合作方式(四种遗传操作)繁殖新个体:
对称算子(OCO, SBX):精英与精英个体配对
非对称算子(HCO, HMO):精英与其他个体配对; - 总的来说,Pop_elite趋向于促进种群的收敛,而Pop_common有利于维持种群多样性。
- NNCA的主要动机是通过精英种群的演化,引导算法搜索更有希望的区域,并模拟人类社会团队间的合作行为来解决多目标优化问题。