使用差分进化解决多目标优化问题

小怪兽会微笑

已于 2023-10-04 16:42:15 修改

阅读量8.1k

点赞数 6

分类专栏：论文陪读文章标签：人工智能算法演化计算优化算法启发式算法

于 2020-11-23 09:31:34 首次发布

本文链接： https://blog.csdn.net/a1920993165/article/details/109958799

版权

论文陪读专栏收录该内容

59 篇文章 113 订阅

订阅专栏

Multi-Objective Optimization with Modified Pareto Differential Evolution

1.摘要

本文修改了差分进化算法，将其用来解决多目标优化问题，取名为MDE(Modified Pareto Differential Evolution)。并做了如下几点改进：①借用了Niche theory的思想改进了拥挤度机制②引入了一个随时间变化的缩放比例向量F③使用了一个简单且高效的变异因子

2.介绍

说了下进化算法解决多目标问题的好处。

3.差分进化算法介绍

差分进化算法结构和其他进化算法类似。基本的操作也是：初始化，变异，交叉，混合父子代，选择更优的个体。对比其他进化算法只是将变异提前了。

变异操作
对于每个个体Xig(我们称其为目标向量)，有如下5个变异方式进行选择。

Vig代表变异后的个体向量，其中指数r1、r2、r3、r4、r5是在1~Np范围内随机产生且相互不同的整数。 F是[0,2]范围的缩放比例向量，Xbest是种群中具有最佳适应度值的个体向量(注意这是在说传统的单目标进化算法)。
不同算法中指数r1、r2、r3、r4、r5设定的值也不一样，本文用了上面5中策略的第一种，详见后文。

交叉操作

在变异阶段之后，将“二进制”交叉操作应用于生成的变异向量Vig及其相应的目标向量Xig，以生成一个试验向量，方式如下：

其中CR是交叉概率；*rnbj(i)*是向量维度D内的一个随机正整数，其作用是保证交叉后的向量和目标向量至少有一个决策变量不相等；uj,i,g表示我们得到的试验向量，也可理解为子代。

选择操作
方式如下，将刚才产生的试验向量Uj,i,g与原目标向量Xi,g进行比较,保留目标函数更优的。

4.MDE详细介绍

精英非支配排序遗传算法NSGA-Ⅱ

这里不对NSGA-Ⅱ做详细介绍了，不懂的可以去本站上搜其他人的博客看。MDE是建立在这个算法基础上的。

改进的拥挤度机制------摘要提出的第一个创新
原文用两目标优化问题举例,下图是解A~F在目标空间上的展示。

根据定义，解A和E的拥挤距离为无穷大，解B的拥挤距离为8.92，解D的拥挤距离为0.76。当这些点在同一层时，我们会保留所有点，这显然是不恰当的，因为虽然一个目标值几乎相同，但另一个目标值是六比一。因此本文提出下面的方式进行处理。

A,B为两个个体，ε是个很小的数，在这里充当阈值，保证A和B在f1相差无几的情况下只保留一个。这样的好处是淘汰掉一些没必要的解。
修改后的变异策略------摘要提到的第二个创新

本文使用了前文提到的DE/rand/1策略，为了让每个父代都有机会进入子代，取r1=i，即。

为了进行探索，r2和r3仍然是随机选择的，但遵循Xr2,g比Xi,g“更好”，而Xr3,g比Xi,g“更差”，“更好”意味着Xr2,g的秩比Xi,g更高或Xr2,g的拥挤距离更大。这样子可以起到一个将解引导向更好的方向的效果。

修改后的F------摘要提到的第三个创新
与种群大小Np一样，F必须高于一定的临界值，以避免过早收敛到次优解，但如果F变得太大，寻找最优的函数评估的数量很快就会增长。通常，0.4<F<0.9，F=0.9是收敛速度和概率之间的一个很好的折衷。为了加快DE算法的收敛速度，引入了时间变量F，它随时间线性变化如下：

其中Generation是当前迭代次数，Max Generation是允许的最大迭代次数，Fmax，Fmin分别表示权重的最大值和最小值。
因此，该算法从0代F=Fmax开始，随着迭代次数的增加，F逐渐下降，最后F会等于Fmin。在开始时，大的F使得搜索向单个点的搜索空间减少，这样会强调全局搜索，帮助DE避免局部最优。之后，随着F的下降，F会在最优处进行局部搜索。显然，要在算法的探索和开发能力之间取得平衡，就必须明智地选择Fmax和Fmin。本文将Fmax设置为0.9，Fmin设置为0.4。

5.实验结果

本文采用MOEA里常用的五个ZDT测试函数做实验。

实验指标
指标γ
本文用到两个指标，第一个指标γ度量收敛到已知的帕累托最优解集的程度。下图显示了这个指标的计算过程。

假设通过算法得到的Pareto前沿为Z，实际上Pareto前沿为Z’0。公式为：

显然，γ值越小，算法逼近Pareto最优集越好。

指标Δ
第二个指标Δ度量所获得的解的分布情况。

距离d如下图所示。参数df和dl是得到的非支配集的极值解和边界解之间的欧氏距离。 Δ值越小，帕累托解的多样性越好。

实验结果

结果表明，与其他算法的类似研究( Multiobjective optimization using a Pareto differential evolution approach)相比，该算法在ZDT1、ZDT2、ZDT3和ZDT5上具有较好的效果。上表显示，对于ZDT4，距离度量γ值相对较大，表明该算法在收敛到真正的Paretofront方面存在困难。部分原因是因为所有函数的参数设置都是相同的，经验表明，当缩放因子F和CR的范围发生变化时，ZDT4的结果可以得到改善。

6.总结

本文提出了一种基于DE/Rand/1版本的多目标差分进化算法。首先，引入Niche理论，改进了拥挤机制。改进的DE方法引入了一个时变标度因子F，并使用了一个简单但有效的突变算子，它结合了种群中较好和较差的解的信息。本文通过对五个ZDT检验函数的检验和其他MOEA检验结果的比较和分析，证明了该算法的有效性。