IGD+-EMOA:基于IGD+的多目标进化算法
IGD±EMOA:基于IGD+的多目标进化算法
参考文献
《IGD±EMOA:A Multi-Objective Evolutionary Algorithm based on IGD+》
要点
- 近年来,在新的多目标进化算法(MOEA)的开发中,基于性能指标的选择机制的设计已成为非常流行的趋势。主要动机是在处理具有四个或更多目标的问题(MaOP)时,基于Pareto的MOEA具有众所周知的局限性。最常用的指标是超体积,主要是因为它具有良好的数学特性(例如,它是唯一符合帕累托标准的一元指标)。但是,超体积具有一个众所周知的缺点:在高维中,其精确计算非常昂贵,从而使其无法解决许多目标问题(对于具有5个以上目标的问题,此成本通常无法承受)。
- 最近,引入了众所周知的反世代距离(IGD)的变体。该指标(称为IGD+)不符合帕累托标准,相对于原始IGD表现出一些明显的优势。在这里,我们提出了一个基于指标的MOEA,它采用了IGD+。提出的方法采用了一种新颖的技术来构建参考集,该参考集用于评估在搜索过程中获得的解决方案的质量。
提出的方法:IGD±EMOA
IGD+指标:
其中,A是帕累托集的近似值,Z是参考集。d+定义为:
因此,如果我们将参考集视为PF,则IGD+值越低意味着近似集A与真实PF的近似值更好。
A、通用框架
从包含N个随机生成个体的种群Pt开始。通过从P中选择两个不同的亲本来创建一个新的子代。使用模拟二项交叉(SBX)重新组合这些亲本,并对所得的后代进行突变(在这种情况下,使用基于多项式的突变)。重复此过程,直到有λ个后代。第二步是将父代和子代种群结合起来,形成所谓的Q集合。使用基于IGD+的选择机制来生成t+1代的新种群。
B、选择机制
由于我们打算在MOEA的选择机制中使用IGD+,因此我们建议将该选择机制转换为线性分配问题(LAP),可使用Munkres的分配算法解决该问题。在形式上,LAP可以表示为:
给定两个集合,A = {a1,…,an}和T = t1,…,tn具有相同的基数,成本函数C:A×T→R,且有Φ:A→T,A和T之间所有双射的总和。因此,LAP可以表示如下:
通常,成本也以方阵C表示,其中每个元素C(i,j) = C(ai,tj)表示ai和tj之间的关系。
可以通过使用表示来自总体和参考集中的个体的m维目标向量,根据MOP来创建线性分配问题。因此,使用参考集中每个元素与总体中所有目标向量之间的修改距离d+创建成本矩阵。此转换旨在找到它们之间的最佳关系。
为了处理具有不同单位的目标,我们需要对当前总体的目标向量进行归一化。这种规范化可以表示为:
u及其第i个元素定义为:
第二步是计算C成本矩阵,然后我们可以表示C成本矩阵的每个元素,如下所示:
通过确定和最小的C中值的组合,可以找到分配问题的解。该解对应于总体中当前点相对于参考集的最佳关系。
C、近似参考集
在大多数多目标优化问题中,真实PF的几何形状是未知的。但是,我们可以使用超球近似某些类型的PF(即至少具有平滑的凹凸表面的PF)。γ超球体是曲线的一种,其定义如下:
其中γ是一个任意且固定的值。我们仅考虑γ超球的“正”部分。如果γ> 1,则可以将γ-超球的正部分视为凹面;如果0 <γ<1,则可以将其视为凸面。γ=1时,满足权重向量的定义。
假设我们有一组权重向量,用于构建参考集。我们需要找到用于将权重集转换为参考集的γ值。
显然,为了找到γ值,上式是一个寻根问题,我们可以说γ值需要满足:
为了求解上式,建议使用牛顿法近似γ值。现在,我们可以看到根的下一个近似定义为:
令Q为当前集合,该集合是由父代和子代种群组成的。参考集是由算法1创建的。
IGD+-EMOA:基于IGD+的多目标进化算法相关推荐
- MaOEA-IBP:带有边界保护的基于指标的多目标进化算法
MaOEA-IBP:带有边界保护的基于指标的多目标进化算法 参考文献 <An Indicator-Based Many-Objective Evolutionary Algorithm With ...
- 基于指标的约束多目标进化算法
基于指标的约束多目标进化算法 [注:个人博客地址转移至:点此跳转] [注:个人博客地址转移至:点此跳转] [注:个人博客地址转移至:点此跳转] 参考文献 <Zhi-Zhong Liu , Yon ...
- 多目标进化算法(MOEAs)概述
原文地址 对于大多数多目标优化问题,其各个目标往往是相互冲突的,因此不可能使得所有的目标同时达到最优,而是一组各个目标值所折衷的解集,称之为Pareto最优集.以下为一些基本定义(以最小化优化问题为例 ...
- platEMO里多目标进化算法对应的参考文献
1.AGE-II M. Wagner and F. Neumann, A fast approximation-guided evolutionary multi-objective algorith ...
- 学习笔记--一个自管理(组织)的多目标进化算法(SMEA)
学习笔记–一个自管理(组织)的多目标进化算法(SMEA) 摘要:在温和条件下,一个连续m维目标的优化问题的帕累托前沿(解集)可以形成一个(m-1)维的分段连续流形.基于这个性质,这篇文章提出了一个自管 ...
- 多目标进化算法-约束问题的处理方法
多目标进化算法系列 多目标进化算法(MOEA)概述 多目标优化-测试问题及其Pareto前沿 多目标进化算法详述-MOEA/D与NSGA2优劣比较 多目标进化算法-约束问题的处理方法 基于C#的多目标 ...
- 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 ...
- 动态多目标优化--基于决策变量分类的动态多目标进化算法 笔记
阅读论文:A Dynamic Multiobjective Evolutionary Algorithm Based on Decision Variable Classification (Zhen ...
- 【IEEE CIM 2023】基于多目标进化算法的抗菌肽设计方法
Evolutionary Multi Objective Optimization in Searching for Various Antimicrobial Peptides 小生境共享(Nich ...
最新文章
- 对Web页面元素的绝对唯一引用方法
- 【java】itoo项目实战之hibernate 懒载入优化性能
- Docker命令基础 简洁版本
- 骑士周游算法 c语言_C语言经典算法04--骑士走棋盘(骑士旅游:Knight tour)
- 1008 数组元素循环右移问题 (20)
- 论文阅读翻译(全)【一直更新】
- 第二阶段--个人冲刺--第七天
- 李彦宏告诫年轻人:向前看两年
- 20145305《JAVA程序设计》实验二
- 17. jQuery - css() 方法
- 车间调度建模系列8|扩展析取图之基于时间片段的赋时三维析取图模型
- FD.io——助你创新更高效、更灵活的报文处理方案
- Ceph块设备(RBD)常用命令
- axure图表组件。echarts。 axure !important 二维码logo嵌入axure汉化美化定制。图表背景透明
- 直播APP源码(干货):搭建直播平台的具体方案
- 全国所有机场 sql表 (截至2021.1.25)绝对最全!!
- B2B、B2C、C2C、O2O分别是什么意思
- Android开发——“adb”不是内部或外部命令,也不是可运行的程序或批处理文件——解决方案
- linux 基因组数据下载,phytozome植物基因组下载网站
- hibernate left join fetch 出错的问题