前言
本篇博客出于学习交流目的,主要是用来记录自己学习多目标优化中遇到的问题和心路历程,方便之后回顾。过程中可能引用其他大牛的博客,文末会给出相应链接,侵删!
REMARK:本人纯小白一枚,如有理解错误还望大家能够指出,相互交流。也是第一次以博客的形式记录,文笔烂到自己都看不下去,哈哈哈
笔记(二)记录基于Pareto支配的优化算法,在笔记(三)中记录在学习MOEA/D算法(包括对Tchebycheff聚合方法的理解,比较详细),MOEA/D也是我的直接目标,以为参考的那篇论文用到了这个论文的思想,因为对这个领域一点不了解,就有了前面两个笔记。(一些在第一篇提到的概念这篇就不再重复了)
正文
基于分解的多目标进化算法(MOEA/D)2007年由Qingfu Zhang等人提出。该算法将传统多目标问题转化成为多个单目标问题,对它们同时优化,该算法需要具备一定Pareto基础知识,可回顾多目标优化_学习笔记(一)。
MOEA/D特性:
- 引入分解的概念,简单但是有效;
- 由于算法将MOP问题分解成子问题(单维度)进行计算,适配度分配和多样性控制的难度都有所降低;
- 相较NSGA-II和MOGLS算法MOEA/D具有更低的计算复杂度,但在许多场景下解得表现上更为出色;
- 弥补传统不是基于分解的算法难以找到一个简单方法来利用标量(单维度)优化算法的缺点;
三种分解算法
一般将MOP多目标转换到一组标量优化问题常用的分解方法有权重求和法;切比雪夫聚合方法;边界交叉聚合方法。下面会一一解释这些方法,MOEA/D采用切比雪夫聚合方法,也可以只看这一部分。
A、权重求和法(Weighted Sum Approach )
常用的权重求和公式为(最小化):
B、切比雪夫聚合方法(Tchebycheff Approach)
其中, ,对于每一个目标分量 , ,即每个目标分量最小值组成的坐标。
下面给出图例用于理解这个公式,首先感谢两篇博客,通过他们的分享给了我很大的启发,但是由于有些理解上的不同,下面给出我自己的理解,如有错误还请大家指正。
Chithonhttp://blog.csdn.net/qithon/article/details/72885053#comments
jinTesterhttp://blog.csdn.net/jinjiahao5299/article/details/76045936
针对我的理解和前人给出的图例我重新画了一个图,帮助理解。
以二目标最小优化问题为例,我们令
,如图所示坐标系从
变换到
,这个过程对应定义很容易理解,之后的操作都针对这个变换后的坐标系;那么公式变为
,可以看出这个公式和线性加权的很像,只是线性加权是求和,而切比雪夫方法是比较最大值。
现在我们给定一个 ,如图紫线所示;我们的目标是要找到Pareto前沿面PF(红线)上的个体(点),给定 之后,对位于 上方的个体衡有 ,即 ,无论 取值如何变化,只要 不变,结果大小都一样,所以等高线是平行于 的一条直线,同理可推位 下方等高线是平行于 的一条直线,两条直线组合成为等高线(橙色),且等高线上的个体评估值与等高线交于 的点取值相同。
下面是收敛过程,上面已经讲解了等高线为什么是由两条垂直的线组成,同样可以用来说明收敛过程,在位于 上方的个体,如果出现新的个体 小于等高线值,则等高线向下移动(注意两条线同时移动);同理,位于 下方的个体,如果出现新的个体 小于等高线值,则等高线向左移动(注意两条线同时移动),直到搜索到Pareto前沿。
当我们对 取不同值(如 ),就可以得到其他Pareto解。
文中还提到了一个权重切比雪夫聚合方法,就是结合两种方法并加了个参数 控制两种方法的比例。思想比较简单直接给公式:
Chithon的博客中提到标准Tchebycheff Approach得到的解不均匀,Yutao Qi等人于2014年提出一种解决方法(MOEA/D with Adaptive Weight Adjustment),通过这个参照向量的转换即可得到分布均匀的解。
C、边界交叉聚合方法(penalty-based boundary intersection (PBI) approach)
最初的边界交叉方法给出公式如下:
给个文中的图例,其中, 和上个方法切比雪夫中的定义一致( 最大优化问题,只是的 最大最小变了一下),约束条件 ,需要保证 与 在同一直线上,这个限制条件不太现实,所以做出来改进。其中, 为标量,表示 在 方向上的距离,越小表示越优。
>>> penalty-basedboundary intersection approach
基于惩罚的边界交叉方法:
作为对上一个算法的改进,改为添加惩罚函数进行处理约束。 是一个预设参数,通常取0.5。 为标量,表示 在 方向上投影的距离; 为惩罚值(标量),表示 在 方向上 垂直投影的距离,偏离 越远,惩罚值越大。
在超过两个目标时,PBI方法比切比雪夫聚合方法能够获得的最优解分布更加均匀,尤其是在目标较少的情况下,这种现象更加明显。
整体框架
下面是中午原文中的算法流程图,我们按这个思路理解。
算法主要思想在于,若
与
相邻,那么
与
也应该非常相近。
算法细节上的理解
输入输出很好理解,我们直接看算法步骤 ↓
Step1:初始化
1)计算权重向量之间的欧式距离,对于每个权重向量
得到离它最近的T个权重向量存在
(相邻集合)中,画了一个简要图,便于理解,注意
的取值范围
(这里
),所以向量终端一定在橙线(
)上,所以欧式距离越小,表示越相邻;
2)随机生成初始种群
;
3)初始化 , ,即每个目标分量上的最大值或最小值(视优化问题而定,这里是最小化优化);
4)创建一个外部种群(EP)用于存储过程优秀个体,初始为空。
Step2:种群更新
对于每个
都做以下操作:
1)从邻集 中随机取两个序号 利用基因重组遗传算子让 和 产生新解 ;
2)对 运用基于测试你问题的修复和改进启发产生 ;
对0/1背包问题
在随机生成解得同时,我们有可能获得一个没有完全符合解约束的解,这时候需要进行修复
可利用上式修复, 为目标函数,如果分母影响最大同时又对分子影响最小的y存在,那么我们将这个y从解中去掉,反复循环,可知当前解符合要求。
3)更新 ,判断 是否可能替换原有极值;
4)更新领域解 ,对于领域中每个权值向量 ,如果得到优化,则更新;
5)更新外部种群EP,从EP中移除所有被 支配的解,如果不存在这的解,则将 加入EP中。
Step3:条件终止
根据停止条件停止,停止并输出EP,否则重复步骤2。
结论
MOEA/D相比于NSGA-II和MOGLS有较低的计算复杂度,同时解得质量又很高;可以解决不连续优化问题;对T参数不敏感,且计算成本是线性增长。——中文原文
最后任然要感谢以下博客对我的帮助
多目标优化系列(三)MOEA/D
多目标优化算法的理解:线性加权法
多目标进化算法(MOEA)概述
多目标优化问题中常见分解方法的理解
MOEA/D: A Multiobjective Evolutionary Algorithm Based on Decomposition
中文链接:https://wenku.baidu.com/view/d163a04d915f804d2a16c102.html