基于正交设计的动态多目标优化教材.docx

基于正交设计的动态多目标优化（文献仿真） 摘 要 目前关于处理动态多目标优化问题的文献还比较少。本文介绍了一种动态正交多目标进化算法，称之为“DOMOEA”，本算法是把之前工作中提出的正交多目标优化算法“OMOEA-II”[1]推广至动态的环境中。DOMOEA解决一类特定的动态多目标优化问题，即具有连续决策变量的问题。本算法利用每次环境变化之前的进化结果，作为每次环境变化之后的初始种群。它应用了“正交设计”方法，来增强两次连续的环境变化之间的静态环境中的种群适应度。本算法对于文献[4]中提出的测试函数都能得到满意的结果。本算法是基于普通的不能检测环境变化的进化算法。因此，它具有相对简单的结构，相对于其他的动态多目标进化算法较为简单。 关键词 进化算法 正交设计 动态多目标优化 Pareto最优解集 Pareto最优前端 1 引 言 很多研究者都研究了静态多目标优化，并且得到了很好的结果。然而，现实生活中存在很多其他问题，包括根据时间变化（实时）多目标优化问题，即目标函数、界限、决策变量都随时间变化，因此需要优化过程的一个迭代。目前已经有一些文献来解决这些问题[2][3][4]。Farina等人[4]对当前的对于动态多目标优化的研究做了一个简明的回顾，设计了一组测试问题，创造了一个动态多目标优化算法，并用它解决了一个动态控制问题。这个算法[4]包括环境变化的检测，并假设在环境再次改变之前可以得到Pareto前端。本文跳过如何检测环境变化的细节，更多地关注多目标进化算法的结构。 一种设计动态多目标优化算法的方法是，把已经存在的静态多目标优化算法应用到动态环境。目前应经有很多有高效的静态多目标优化算法，例如NSGA-II[5]、SPEA2[6]、PAES[7]、OMOEA-II[1]等等。OMOEA-II[1]算法合并了NSGA-II[5]、SPEA2[6]、和OMOEA[8]三种算法的优点。 本文处理的动态多目标问题具有以下标准： （1）目标函数随时间变化，然而目标函数的个数和决策变量的个数不变。 （2）环境改变前后，目标函数的形状有一定的相似性。本文算法利用这种相似性，把环境变化前得到的种群作为环境变化后的初始种群。因此，本算法提高了初始种群的适应度、并且加??了收敛速度。 （3）任何时刻，目标函数在一个小邻域内可以近似为一个线性函数或二次函数。对于近似于线性或二次函数的模型，正交设计方法能发挥得很好。本文的算法利用正交设计方法来加速收敛速度。 2 正交设计方法 用文献[9]中引进的一个例子来解释实验设计方法的基本思想。蔬菜的产量取决于三个因素：温度、化肥的用量、土壤的pH值。这三个数量称为试验的三个factor。如表1所示每个factor有三个可能的level。为了得到最大的产量，我们需要找到level的最好的组合。 表1 三个factor的实验设计问题，每个factor有三个level factorlevels温度化肥用量pH值level120℃100g/m26level225℃150 g/m27level330℃200 g/m28为了找到level的最好的组合，得到最大产量，我们可以为每种组合做一个实验，并且选出其中最好的一种组合。在上面的例子中，共有3*3*3=27种组合，因此需要27次实验。通常，一个问题有N个factor，每个factor有Q个level，所以共有QN中组合。当N和Q很大时，不可能做完所有的QN个实验。因此，希望采较少的具有代表性的的组合来进行实验。正交设计方法就是用于这个目的。先给出正交数组的定义。 定义1 一个正交数组LM(QN)是一个M*N的数组，Q个level记为{1，2，...，Q}。正交数组LM(QN)记为[aij]M*N，有以下特性： （1）对于任何一列{a1j，a2j，...，aMj}，Q个符号{1，2，...，Q }出现的次数是相同的，即(M/Q)次，j=1，2，...，N。 （2）对于任何不同的两列{(a1j，a1k)，(a2j，a2k)，...，(aMj，aMk)}，Q2个可能的组合{(1，1)，(1，2)，...，(1，Q)，(2，1)，(2，2)，...，(2，Q)，...，(Q，1)，(Q，2)，...，(Q，Q)}出现的次数是相同的，即(M/Q2)次，j，k=1，2，...N，j，k不相等。 正交数组的每一行代表了一种不同的组合，aij代表了第i种组合中第j个factor的level取值是aij，aij取值是{1，2，...，Q }。利用正交数组LM(QN)，我们只进行M次实验，M可能要远远小于QN。为了方便，M种组合的产量记为[yi]M*1，即第i中组合的产量是yi。式（1）是一个正交数组，M=9，N=3，Q=