高维多目标优化算法研究综述.docVIP

高维多目标优化算法研究综述 　　【摘 要】当遇到目标数目多于4个或4个以上的高维多目标优化问题时，基于Pareto支配排序的多目标进化算法很难求出近似的Pareto最优解集合，因此，高维多目标优化问题的进化算法研究成为进化算法领域的一个难点问题。本文在分析了高维多目标优化问题研究难点的基础上，概括了高维多目标优化问题的类型，并介绍了含有冗余目标的高维多目标优化问题的目标缩减算法，最后指出了今后该领域的研究方向。 　　【关键词】高维多目标优化问题；进化算法；冗余目标；目标缩减算法 　　0 引言 　　近年来，多目标优化问题的研究成果已广泛应用于自动控制、生产调度、网络交通、集成电路设计、化学工程和环境工程、数据库和芯片设计、核能和机械设计等众多领域。随着研究问题的复杂度越来越高，优化目标的个数也不仅仅局限于2到3个，有时往往会达到4个或者甚至更多[1]。一般意义上，当多目标优化问题的优化目标个数达到3个以上时，我们将此类多目标优化问题称为高维多目标优化问题[2]（Many-Objective Optimization，简称MAP）。 　　进化算法作为一种基于种群的智能搜索方法，目前已经能够成功地求解具有2、3个目标的多目标优化问题。然而，当遇到目标数目增至4个或4个以上的高维多目标优化问题时，基于Pareto支配排序的多目标进化算法在搜索能力、计算成本和可视化方面都遇到了很大的挑战。因此，高维多目标优化问题的进化算法研究成为进化算法领域的一个难点和热点问题。 　　由于高维多目标优化问题的复杂性，目前对于此类问题的算法研究尚处于起步阶段，首先分析高维多目标优化问题研究存在的困难，然后对当前所提出的高维多目标进化算法进行分类概述，接下来重点总结了可降维的高维多目标优化问题的几类目标缩减进化算法，最后给出了未来研究的方向。 　　1 高维多目标优化问题的基本概念 　　定义1 （多目标优化问题和高维多目标优化问题） 　　通常，对于单目标优化问题，其全局最优解就是目标函数达到最优值的解，但是对于多目标优化问题来说，往往这些目标f1（x），…fm（x）的最优函数值之间会相互冲突，不能同时达到最优值。这里，为了平衡多个相互冲突的目标，采用Pareto最优解来定义多目标优化问题的最优解。 　　定义2 （可行解与可行域） 　　多目标优化问题通常有非常多或者无穷多个Pareto最优解，但是要找到所有的Pareto最优解往往是不太可能的，因此，希望找到尽可能多的Pareto最优解以便为决策者提供更多的选择。在利用进化算法求解多目标优化问题的过程中，进化算法使用适应度函数引导群体向Pareto最优前沿收敛，在设计算法时需要考虑下面两个方面：一是算法的收敛性，即希望算法的求解过程是一个不断逼近Pareto最优解集的过程；二是算法的分布性，即要求所求出的Pareto最优解集中的非支配解尽可能均匀且宽广的分布在目标函数空间中。 　　2 高维多目标优化问题研究难点 　　Hughes通过实验表明基于Pareto排序多目标进化算法（如NSGAII，SPEA2等） 在具有较少目标（2个或3个）时非常有效，但是，随着多目标优化问题目标数目的不断增多，目前经典的求解一般多目标优化问题的多目标进化算法的搜索性能将大大下降，从而导致求出的近似Pareto最优解集的收敛性能急剧下降。对于此类问题的研究难点在于： 　　1）经典的多目标进化算法通常利用传统的Pareto支配关系对个体进行适应度赋值，但是随着目标个数的不断增多，非支配个体在种群中所占比例将迅速上升，甚至种群中大部分个体都变为非支配解，因此，基于Pareto支配的个体排序策略会使种群中的大部分个体具有相同的排序值而导致选择操作无法挑选出优良个体，从而使得进化算法搜索能力下降。 　　2）随着目标数目的不断增多，覆盖Pareto Front最优解的数量随着目标个数呈指数级增长，这将导致无法求出完整的PF前沿[4-5]。 　　3）对于高维多目标优化问题来说，当Pareto前沿面的维数多于3个时，我们就无法在空间中将其表示出来，这给决策者带来了诸多不便，因此，可视化也是高维多目标优化的一个难点问题。目前，研究者们相继提出了用决策图、测地线图、并行坐标图等方法来可视化问题的Pareto前沿面。 　　3 高维多目标进化算法分类 　　目前的高维多目标优化问题按照Pareto前沿的实际维数可以分为以下两类。一类问题是高维多目标优化问题真正的Pareto前沿所含的目标个数要小于目标空间的个数，也就是说，存在着原始目标集合的一个子集能生成与原始目标集合相同的Pareto前沿，具有该性质的原始目标集合的最小元素子集称为非冗余目标集，而原始目标集合中去掉非冗余目标集的剩余目标称为冗余目标，此类问题称为