基于相似性的动态区间多目标协同进化算法
A Similarity-based Cooperative Co-evolutionary Algorithm for Dynamic Interval Multi-objective Optimization Problems
基于相似性的动态区间多目标协同进化算法
链接:https://ieeexplore.ieee.org/document/8694000
1.介绍
什么是动态区间多目标优化问题?
一个MOP会随着时间改变至少一个目标和(或)约束的区间参数(interval parameters)的范围,称此类问题为动态区间多目标优化问题(Dynamic interval multi-objective optimization problem DI-MOP).
实际中含有区间特性的多目标优化问题的应用
A.炼钢连铸-热轧:包括各种不确定的生产过程(如处理时间、生产时间),区间目标(如吞吐量、热装比率、利用率、附加成本)
B.机器人路径规划:用于各种危险地方(如火场、雷区、敌区),危险源的具体位置无法实现,决策者只知道其范围。
C.虚拟发电厂最佳调度
D.飞机机架和汽车设计
E.家庭负荷调度 等
区间MOP常用解决方法:
将问题转化为确定的单目标(single-objective)或多目标(multi-objective)优化问题.
协同进化(Co-evolutionary)
合作协同进化算法(CCEA)将含有大量决策变量的优化问题分解为许多含有少量决策变量的子问题,然后通过子代来优化他们。
2.相关工作
A.动态区间多目标优化的数学模型表示如下:
鉴于是一个区间向量,则是一个值在区间的目标,表示为,
通常随着时间改变,特殊的,如果退化为不随时间改变,那么Eq(1)→传统区间MOP
如果,对任意和成立,那么Eq(1)→传统DMOP
B.偏序和支配关系
对(1)中两个解,他们第 个目标值为
偏序关系(Order relation)
不可比:
:偏序关系,反对称(antisymmetric)、自反的(reflexive)、传递的(transitive)
区间支配关系(Dominance relation)
如果在区间内互不支配,记做
支配关系首先被用来为每个解分配唯一的等级。然后对相同等级的解采用偏序关系和拥挤距离进行排序。最后,采用随机策略来求解无法通过上述方法区分的解。
C.求解区间MOPs的两种方法
I.将区间MOP转化为确定的单/多目标优化问题,然后利用EA求解转化后的问题
例如:郑等:将区间转换为最小最大优化问题,采用分层算法(由遗传算法和非线性编程方法);
江等:基于中点和区间宽度将区间MOP转换为确定MOP,并进一步转化为未采用EA处理约束的单目标优化问题;
II.用EA直接处理基于区间支配关系的MOP
例如:林等:定义了一个基于区间偏序关系的区间Pareto支配关系解决MOP,此外提出了不精确传播的多目标进化算法(IP-MOEA)来解决区间MOP;
本文:提出了一个基于区间概率和区间拥挤距离的Pareto支配关系,
Sun等人:基于下限的区间Pareto支配关系 的概率,并用它来修改NSGA-II以解决区间MOP
张等人:评估解的 概率支配关系,等
D.动态多目标优化算法
一般流程
(1) 初始化种群, 设置相关参数;
(2) 优化算法;
(3) 检测环境变化: 若检测到环境发生变化,则调用相关处理策略来响应; 否则继续执行优化算法;
(4) 响应环境变化的处理策略能对环境变化做出快速并且正确的响应, 使得种群能较快地收敛到最优解集。一般的处理策略有:重新初始化种群, 参数调整, 动态迁移, 记忆策略等;
(5) 终止判断条件。
一般求解方法
基于种群的方法
评价指标
(1)反世代距离IGD:IGD(t)反映算法的收敛性和种群多样性。理想的IGD(t)值是零,意味着S(t)已经得到最好的收敛性和多样性。
(2)超体积比HVR:超体积比HVR是在超体积(Hyper Volume, HV)的基础上改进而来的, 反映算法保持多样性的能力, HVR(t)能够给出算法保持多样性的信息, 当S(t)和P*(t)重合时, HVR(t)的最大值为1。
因此, HVR(t)越大, 表明算法的多样性能越好。
3.本文算法框架
DI-MOPS的双重特性:(1)每个目标都是一个区间;(2)目标区间参数随时间改变
A.The framework:
①将一个优化问题的所有的决策变量根据一个策略进行分解。
②子群与每个子群合作协同进化一个组中的决策变量以及一个完全解,然后进行个体适应性评估。
③选择非支配解,保存在档案中。
④使用基于区间相似度策略来检测优化问题是否改变。
⑤是,则使用响应和扰动策略来初始化子群。
⑥重复上述过程,直到满足终止条件。
⑦最终档案中完全非支配解作为DI-MOP最优解输出。
B.区间相似度
区间相似度定义:对两个区间 满足
其中表示交集,分别是区间a,b和交集的长度,
是特征函数。
反映了a和b之间的差异,满足,值越大,区间差异越小
C.分解决策变量
对于DI-MOP的一个解,其中一些组件随着动态参数改变,其它的保持不变,若将决策变量分成两组并且独立的优化每个组,那么解决优化问题的效率将会提高。
由于差分分组策略无法直接用来检测决策变量与DI-MOP中参数之间的参数之间的相互作用,尤其是当参数是区间的时候。
例如:
可分离函数
满足
其中,是的相关函数,是互斥决策向量和参数向量。
对于一个可加分离区间函数,其差值为当有扰动变量,即
其中,。
称,和是不可分离的,满足:
区间特性是有两个点(左端点和右端点),若在区间优化问题中仅使用一个点,那么另一个点所提供的信息将丢失,结果将不准确。
例如:,其中,那么,
,如果仅使用左端点,那么结果没有区别,然而右端点差别很大。
根据不确定性和噪声的影响称和不可分离,满足:
是预先设定的阀值,满足
A.在每一代末尾形成一个由从当前最优解中选择的许多个体组成的一个检测群体
B.计算基于过去和当前优化问题的检测群体中的每个个体的目标区间的相似度,并获得这些个体的平均 区间相似度。
C.把平均区间相似度和阀值进行比较,来确定优化问题的改变。其中根据偏好设置,对环境越敏感,设置越大。
D.响应环境变化
(1)预测变化方向
重新评估时间序列t中的完全解A(t)和非支配解A0(t+1)
变化方向定义:
其中,和是决策空间和的质心
(2)估计最优解变化步长
变化强度定义:
是的大小,是先前和当前优化问题的第个目标和第个个体的相似度,是所有个体的每个目标的平均相异度,越大优化问题变化越大。
使用最优解的历史信息,优化解的变化步长为:
其中,是时间序列到的变化强度的比例,越大说明时刻的变化强度强于时刻,越大,变化步长越大。
(3)预测新位置
优化问题的位置:
对任意,,是服从均匀分布的随机值,是高斯噪声,加入目的是提高初始种群覆盖优化问题变化的概率。
是单位矩阵,是标准高斯分布,满足
对任意,
由于区间参数对其没有影响,一半个体随机生成,其余高斯变异。
评估当前种群个体,通过从其他种群选择代表个体和当前个体形成一个完全解
E.时间复杂度
4.实验
A.性能指标
Average hyper-volume(AH):评估Pareto最优解的跟踪能力
是基数为的时间集,表示在时获得的,AH越大,越接近真实的。
Average impression(AI):反应不确定性
AI越小,越接近真实。
B.测试函数
C.真实前沿
E.实验结果
五、总结
(1)本文提供了有关解决DI-MOPs的协同进化框架
(2)提出了对DI-MOP的决策变量进行分组并根据区间相似度检测其变化的策略;
(3)定义了优化问题的变化强度,并在此基础上提出了响应策略
(4)基于一组基准问题,实验研究了该算法的性能,并将该算法用于一个多阶段的投资组合选择问题。
基于相似性的动态区间多目标协同进化算法相关推荐
- 动态分区分配算法代码_【代码】巩敦卫等TEVC论文:基于区间相似度分析的协同动态区间多目标进化优化算法...
分享代码:巩敦卫等TEVC论文:基于区间相似度分析的协同动态区间多目标进化优化算法. 说明:该代码基于Matlab2012a及Intlab5.5编写,对应文献:"Dunwei Gong, B ...
- 基于环境敏感度的动态多目标协同进化算法
Environment Sensitivity-based Cooperative Co-evolutionary Algorithms for Dynamic Multi-objective Opt ...
- 论文研读-基于决策变量分析的大规模多目标进化算法
论文研读-基于决策变量分析的大规模多目标进化算法 Multiobjective Evolutionary Algorithm Based on Decision Variable Analyses f ...
- 基于特征点匹配的自适应目标跟踪算法
基于特征点匹配的自适应目标跟踪算法 2016-01-29 13:11 摘 要:由于实际场景复杂多变,目标在运动过程中往往会出现形变.遮挡等问题,增加了跟踪的难度.为了解决上述问题,提出一种基于特征点匹 ...
- 目标检测YOLO实战应用案例100讲-基于激光雷达点云的三维目标检测算法研究
目录 基于激光雷达点云的三维目标检测算法研究 基于投影图的方法 基于点云的多模态融合方法
- 笔记《基于无人驾驶方程式赛车的传感器融合目标检测算法研究及实现》
论文结构 关键字:无人驾驶方程式赛车,相机,激光雷达,目标检测,传感器融合 一.绪论 1. 感知技术研究现状 1.1.1 基于相机的目标检测技术研究现状 1.1.2 基于激光雷达的目标检测技术研究现状 ...
- 动态背景下目标跟踪算法目标跟踪
1.问题描述: 动态背景下目标跟踪算法目标跟踪 2.部分程序: % Programming By ALireza Fasih % Email: ar_fasih@yahoo.com % Please ...
- 目标检测YOLO实战应用案例100讲-基于深度学习的自动驾驶目标检测算法研究
目录 基于深度学习的自动驾驶目标检测算法研究 相关理论基础 2.1 卷积神经网络基本原理
- 基于激光雷达点云的3D目标检测算法论文总结
作者丨eyesighting@知乎 来源丨https://zhuanlan.zhihu.com/p/508859024 编辑丨3D视觉工坊 前言 过去很多年激光雷达的车规标准和高昂价格是阻碍其量产落 ...
最新文章
- 序列号生成的另一种玩法
- android开发超级群(500人)
- 基于汇编语言的电子琴设计(1)
- 未曾秋高气爽,亦然爬山去也
- 奖励超10万!交大超牛本科生:成果达博士毕业水平,如今保研国家重点实验室...
- php中dump怎么使用,php – 如何正确使用print_r或var_dump?
- 自回归模型/向量自回归模型
- win7桌面图片不显示缩略图问题
- php中取整的函数,php中四舍五入取整函数详细介绍
- AndroidStudio_后台服务以及活动和服务间通信_通过service中的binder实现活动和服务的通信---Android原生开发工作笔记216
- [转载] python——连接Oracle数据库
- 全程软件测试之测试需求分析与计划(3)
- 安卓平台病毒猖獗 日感染15000台
- 流程机器人 RPA:AI落地的接盘侠 | 甲子光年
- 2022 年“泰迪杯”数据分析技能赛——竞赛作品的自动评判(Python代码实现)
- 《Photoshop CS3专家讲堂视频教程》(个人收集)
- 010editor 过期处理
- java实现中文数字与阿拉伯数字互相转换
- [从零开始学FPGA编程-3]:快速入门篇 - 操作步骤1 - 导体、半导体、晶体管、常见电子元器件、集成电路
- Nokia Symbian PKG sis文件就会及时更新了
热门文章
- WebView监听网页加载成功与失败
- 手机群控系统(补充篇)
- 腾讯的h5制作工具教程
- 使用linux命令直接截取ip地址
- android bitmap大小端,1. 解析Bitmap的ARGB,实现图片颜色选择器
- 华为一、二、三面面经
- 321套Excel可视化图表、Excel模板(在Excel里面实现数据可视化),史上最全Excel可视化图表,模板
- 【2020】明哥版-JetBrains旗下常用开发工具教程目录更新中-建议收藏
- 顺义区服务器虚拟化,北京银行顺义数据中心私有云项目
- 2017.11.25 计算机一级,2017计算机一级MSOffice考试试题