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#的多目标进化算法平台MOEAPlat实现
- MOEAD中聚合函数等高线分析
- MOEAD中一种使解更均匀分布的聚合函数介绍
现实世界中的多目标优化问题往往包含不等式约束和等式约束,对于这类带约束条件的多目标优化问题,需要使用有别于无约束优化问题的处理方法。下面首先给出带约束条件的多目标优化问题的的定义:
Definition : 约束多目标优化问题
F ( x ) = ( f 1 ( x ) , . . . , f m ( x ) ) s . t . x i ( L ) ≤ x i ≤ x i ( U ) , i = 1 , 2 , . . . , n g j ( x ) ≤ 0 , j = 1 , 2 , . . . , J h k ( x ) = 0 , k = 1 , 2 , . . . , K \begin{matrix} F(x)=(f_1(x),...,f_m(x))\;\;\;\;\;\;\;\;\;\;\\ s.t.\qquad\qquad\qquad\qquad\qquad\qquad \\ x_i^{(L)}\leq x_i \leq x_i^{(U)},\; i=1,2,...,n\;\\ g_j(x)\leq 0,\;j=1,2,...,J\;\;\;\;\;\;\;\;\;\;\;\\ h_k(x)=0,\;k=1,2,...,K\;\;\;\;\;\;\;\;\;\;\\ \end{matrix} F(x)=(f1(x),...,fm(x))s.t.xi(L)≤xi≤xi(U),i=1,2,...,ngj(x)≤0,j=1,2,...,Jhk(x)=0,k=1,2,...,K
在这个定义式中,为了描述方便,将所有的不等式约束都转换为了 g ( x ) ≤ 0 g(x)\leq 0 g(x)≤0的形式。其中 m m m为目标函数的个数, n n n为决策变量的个数, J J J为不等式约束条件的个数, K K K为等式约束条件的个数, x i ( L ) x_i^{(L)} xi(L)和 x i ( U ) x_i^{(U)} xi(U)分别为第 i i i个决策变量 x i x_i xi的下限和上限值。
针对这类带约束条件的优化问题,使用无约束多目标进化算法处理的方法显然是不可行的,为了解决这类约束多目标优化问题,针对基于Pareto支配关系的算法,主要使用带约束的支配关系(constrained-dominance)来处理,而对于基于分解的算法,则使用新的替换策略来更新解。
为了详细说明上述两种方法,现介绍几个重要的概念。
对于一个解 x x x,若其满足约束条件,则称该解为可行解(feasible solution),若不满足,则称之为不可行解(infeasible solution)。
对于不可行解,如何描述其违反约束的程度呢,一般使用约束违反值(constraint violation value),该值用来定量描述一个解违反约束条件的程度。对于一个解 x x x,其值可如下表达
C V ( x ) = ∑ i = 1 J ⟨ g j ( x ) ⟩ + ∑ k = 1 K ∣ h k ( x ) ∣ CV(x)=\sum_{i=1}^J{\langle g_j(x) \rangle} + \sum_{k=1}^K{|h_k(x)|} CV(x)=i=1∑J⟨gj(x)⟩+k=1∑K∣hk(x)∣
其中 ⟨ α ⟩ \langle \alpha \rangle ⟨α⟩表示若 α ≤ 0 \alpha\leq 0 α≤0,则 ⟨ α ⟩ = 0 \langle \alpha \rangle =0 ⟨α⟩=0,否则 ⟨ α ⟩ = ∣ α ∣ \langle \alpha \rangle = |\alpha| ⟨α⟩=∣α∣。显然,对于一个解,其CV值越小,说明该解越优。同时,对于一个可行解,其CV值为0,对于不可行解,其CV值则大于0。
下面介绍约束支配关系,对于任意两个解 x , y x,y x,y, x x x约束支配 y y y的条件满足以下条件的任一项即可:
- x x x是可行解,而 y y y是不可行解;
- x , y x,y x,y都不是可行解,但 C V ( x ) < C V ( y ) CV(x)<CV(y) CV(x)<CV(y);
- x , y x,y x,y都是可行解,且 x x x Pareto支配 y y y
以上便是约束支配关系的描述,对于一个带约束的多目标优化问题,便可直接将该支配关系应用到基于Pareto支配关系的多目标进化算法中,如NSGA-II,NSGA-III等,同时,对于无约束多目标优化问题,该支配关系显然也是有效的。
下面介绍基于分解的算法处理约束多目标优化问题中的替换策略。假设 y y y是新生成的子代解,选择一个邻居解 x x x来确定是否用解 y y y替换解 x x x,满足以下条件的任一项则替换之:
- x x x是不可行解, y y y是可行解;
- x , y x,y x,y都不是可行解,但 C V ( x ) > C V ( y ) CV(x)>CV(y) CV(x)>CV(y);
- x , y x,y x,y都是可行解,但解 y y y的聚合函数值更小
该替换策略可直接用到MOEA/D或其他基于分解思想的多目标进化算法中来处理约束多目标优化问题。
以上便是目前约束多目标优化问题处理的一些常用方法。
QQ交流群:399652146
参考:
- Deb K, Pratap A, Meyarivan T. Constrained Test Problems for Multi-objective Evolutionary Optimization[C]// Evolutionary Multi-Criterion Optimization, First International Conference, EMO 2001, Zurich, Switzerland, March 7-9, 2001, Proceedings. 2001:284–298.
- Jain H, Deb K. An Evolutionary Many-Objective Optimization Algorithm Using Reference-Point Based Nondominated Sorting Approach, Part II: Handling Constraints and Extending to an Adaptive Approach[J]. IEEE Transactions on Evolutionary Computation, 2014, 18(4):602-622.
- Li K, Deb K, Zhang Q, et al. An Evolutionary Many-Objective Optimization Algorithm Based on Dominance and Decomposition[J]. IEEE Transactions on Evolutionary Computation, 2015, 19(5):694-716.
多目标进化算法-约束问题的处理方法相关推荐
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 计算机工程与应用 效率,多目标进化算法搜索鲁棒最优解效率研究-计算机工程与应用.PDF...
多目标进化算法搜索鲁棒最优解效率研究-计算机工程与应用 Computer Engineering and Applications 计算机工程与应用 2011 ,47 (23 ) 29 ⦾研究.探讨⦾ ...
- 多目标进化算法基础知识整理
前言 特意整理一些多目标进化算法的基础知识点,尽量用通俗易懂的语言进行描述,希望对入门多目标算法的同学和对优化算法有兴趣的朋友有所帮助. 1.多目标优化细讲 使多个目标在给定区域同时尽可能最佳,多目标 ...
- 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+> ...
最新文章
- struct stat结构体的详解和用法
- 路由 php mysql_Php 连接 MySQL 的三种方式
- web后门隐藏与检测思路
- 视频图像处理基础知识4(视频分辨率参考 行频 隔行扫描 逐行扫描)【转】
- python调用ping命令_我可以创建一个脚本来测试是否可以在python服务器上远程使用SSH和PING命令吗? - python...
- 杭电1016Java实现
- 每天学一点儿shell:Linux三剑客——sed命令
- mysql insert 语句优化_分享insert into语句优化的小技巧
- 人民币发行量比美元还大吗?
- 计算机算法设计与分析 矩阵连乘问题
- 解决pytorch安装过程中下载总是出错的问题
- Scrum Meeting 2 (2016-12-19 Mon)
- oracle启动pmon,oracle 11g pmon工作内容系列三
- 中国有34个省市自治区(342个市)
- 域名邮箱用GMAIL,live
- 如何在eclipse配置服务器server (java ee)
- 零基础如何学 Web 前端开发?
- Web:flex模拟移动商城首页页面布局/grid布局的相关属性
- 《用计算机写日记》》教学课件,写日记教学课件 [观察日记教学课件]
- java 重载条件
热门文章
- python opencv图像对比度_Python OpenCV cv2使图像亮度和对比度提高100%的简单方法
- 下载网站的中视频的方法
- 高等数学学习笔记——第二十六讲——导数在实际问题中的应用
- C++读写ini文件
- wmi java_Java用wmi4j远程管理Windows服务
- iOS音视频—OpenCV初体验马赛克的实现
- 2019CCPC秦皇岛赛区 hdu 6740 MUV LUV EXTRA(KMP next数组)
- 《大学之路》读后感(2)
- 重庆南川中学2021高考成绩查询,重庆南川中学2021年录取分数线
- Windows Media Player + 音乐可视化 + 音乐倒放