An Improved Multiobjective Optimization Evolutionary Algorithm Based on Decomposition for Complex Pareto Fronts
Motivation
(1) MOEA/D是解决MOPs的有效方法,但面对具有复杂POF(如:long tail, sharp peak和 disconnected regions)的MOPs时,其性能会严重下滑。主要表现在以下两个方面:
-
在凸POF情况下,均匀分布的权向量不能为MOPs带来良好的分布解。
由于尖峰和长尾的存在,一个目标很小的变化将会导致另外一个目标的巨大差距。因此,MOEA/D会在POF的中间地带密集搜索。尽管算法提供了一组均匀的权重向量,但依然很难在POF的边缘和极端区域找到分布良好的解。 -
重复产生相似的解,造成资源浪费。
这是由于MOEA/D将meting限制在邻域中而导致的。尤其当POF不连续时,情况更加糟糕。
(2) 相反,在凹POF情况下,MOEA/D没有这样的缺点。
- 如果中间区域的解比极端区域的解更密集,说明MOP可能是凸的,在余下的优化阶段采用反标量子问题形式更合适。因此,可以很自然地通过求反式切比雪夫标量函数来获得凸POF上的一组均匀的解。
(3) 为了解决复杂POF所带来的困境,最近几年,研究者们提出了各种各样的改进策略来提高原始MOEA/D算法的性能。例如:
- MOEA/D-NBI (2010)
提出了标准边界交叉型的Tchebycheff方法来克服目对标尺度的敏感性,期望以此获得分布良好的近似POF。虽然它在双目标问题上工作得很好,但这种方法不容易推广到高维问题。 - UMOEA/D (2013)
当算法判断到POF的几何形状小于单位超平面 Σ i = 1 M f i = 1 \Sigma_{i=1}^M f_i=1 Σi=1Mfi=1时,采用自适应转换策略使转换后的POF尽可能地靠近该超平面。然而,如果在识别POF形状中所用的近似POF存在噪声,那么该方法将会失败。 - MOEA/D-AWA (2014)
AWA的基本思想是采用两阶段策略来处理权向量生成。具体来说,第一阶段使用一组预定义的(经过WS-transformation变化的)权重向量直到种群达到一定程度的收敛;第二阶段是权重向量自适应调整阶段。即首先删除拥挤度较高的权向量,然后根据当前Pareto最优解(elite population)将新权向量加入到真实的稀疏区域中而不是伪稀疏区域(不连续部分)。
值得一提的是,新的权值向量初始化方法可以显著提高MOEA/D在具有简单PFs的三目标MOPs上的性能。而对于具有不连续POF的MOPs,AWA策略可以帮助MOEA/D识别复杂POF的不连续部分,并减少对区域的计算量。进一步地,可以发现,AWA策略可以为MOEA/D带来更好的均匀性,尤其在POF的sharp peak和long tail部分。
Innovation
针对处理复杂POF的MOPs时MOEA/D算法所面临的一些困难,本文通过提出两种策略对MOEA/D框架进行了扩展。不同于其他算法,本文利用两阶段(TP)方法将整个演化过程分为两个阶段。首先,基于对POF几何特性的分析,提出了基于Crowding的POF凹凸性的判断方法,并根据POF不同位置上的凹凸性,选择适当形式的Tchebycheff方法来解决标量优化子问题。然后,利用基于共享的小生境方法通过对mating/update range的选择实现了计算资源的合理配置。
Contribution
(1) 通过设计POF凹凸性判断指标,实现了在凹凸性未知的情况下动态地选择合适的子问题形式。
(2) 基于niche-guided的方案为进化过程中复杂的测试问题提供了更高的种群多样性,特别是在POF不连续的情况下。
(3) 基于TP的MOEA/D算法在处理具有sharp peak和long tail POF的MOPs时的性能有了显著提升。同时,TP可以调整搜索方向,从而使个体多样化,这对于处理POF不连续的MOPs是非常有效的。
(4) 不同于传统的基于分解的优化思想,MOEA/D-TPN并不局限于提升权重向量分布的均匀性。针对权重向量与解分布不一致的情况,本文提出一种改进的分解方法提高了MOEA/D对于带有复杂POF的MOPs的优化能力。
Key techniques
- 如何将进化过程划分为两阶段(TP);
- 如何在算法中适当的位置应用小生境方法;
- 设计一种POF凹凸性评价指标;
- 重新选择mating/update范围;
- 反式Tchebycheff方法的构造。
MOEA/D-TPN
完整的算法流程如下,其中关键部分已做了标注: