几种多目标进化算法简介.docVIP

多目标进化算法 多目标进化算法 1. 绪论 2. 主要的多目标进化算法 3. 多目标进化算法性能评价和问题测试集 4. 多目标进化的新进展 5. 应用实例 绪 论 - 背 景 ? 进化算法 (Evolutionary Algorithm，EA ) 已经广泛运 用，发展较为成熟。 ? 现实问题中，一般需要对多个目标同时进行优化，而 这些目标往往是相互冲突的。 ? 例如，企业生产中，产品质量，生产成本，生产效率 之间的关系。 ? 为达到总目标的最优化，对各个子目标进行折衷，于 是就提出了多目标进化算法 (Multi-Objective EA，MO EA). 绪 论 – 进 展 ? 1967年，Rosenberg建议采用基于进化的搜索来处理多目 标优化问题。 ? 1984年，David Schaffer首次在机器学习中实现了向量评 估遗传算法 (VEGA)。 ? 1989年，David Goldberg在其著作《Genetic Algorithms for Search, Optimization and Machine Learning》中，提 出了用进化算法实现多目标的优化技术。 ? 1997年，国际期刊《IEEE Transitions on Evolutionary Computation》创建。 ? 2001年以来，每两年召开一次有关多目标进化的国际会议 EMP: Evolutionary Multi-Criterion Optimization。 绪 论 – 问题描述 ? 假设有 r 个优化目标，则目标函数表示为： f X ? f X f X ( ) ( ( ), ( ), ) 1 2 r ? 约束条件： g (X ) 0 i 1, 2, ? ? i h (X ) 0 i 1, 2, ? ? i X ? x x ( , , f (X ) ? 任务：寻求目标集合 ，使得 在满 * * * * 1 2 n 足约束条件的同时获得最优解 多目标优化算法 1、MOGA (Multi-Objective Genetic Algorithm) 2、NPGA (The Niched Pareto Genetic Algorithm) /NPGA-II 3、NSGA (Non-dominated Sorting Genetic Algorithm) /NSGA-II 4、SPEA (The Strength Pareto Evolutionary Algorithm) /SPEA-II 5、PESA (The Pareto Envelope-base Selection Algorithm) / PESA-II 6、PAES (The Pareto Archived Evolution Strategy) 帕累托（Pareto）最优解 ? 多目标优化的解称为 Pareto 最优解（1896年，Vilfredo Pareto） f (X ) ? 给定一个多目标优化问题 ， 最优解定义为： f X opt f X ( ) ( ) ? *( ) ( ) X?? 其中， f ? ? : r Vilfredo Pareto 意大利 经济学家 ? ?{X ? n ? 这里 为满足约束条件的可行解集，称为决策变量空间（简称 f 决策空间），向量函数 将 映射到 ， 称作目标 ? ? n ? ? r ? 函数空间（Objective Function-Space, 简称目标空间）。 个体支配关系 ? 假设 x 和 y 是群体 P 中不同的两个个体，我们定义 x 支配（dominate） y ，如果满足下列条件： （1）对所有子目标，都有 x 不差于 y , f x ? f y k ? ( ) ( ), ( 1, 2, k k （2）至少存在一项子目标，x 优于 y ， 即， l {1, 2, 使得 ? ? f (x) ? f (y) l l ? 此时，我们称 x 为非支配的（non-dominated）,而 y x 为被支配的（dominated），记作 基于Pareto的基本流程 1. 初始化：种群 P 2. 进化：利用进化算法 EA，得到新种群 R P? R 3. 构造 的非支配集Nset 4. 调整 Nset（调整 N 的大小，Nset 满足分布性要求） 5. 判断是否满足条件，是则输出结果，否则继续循环 进化 基本流程图 开始 产生初始种群 P 用EA进化P得新群体R 构造P∪R的非支配集Nset 调整Nset的规模并使之满足分布性要求 是 输出结果，结束 满足终止条件 否 P=Nset 小生境（niche） ?小生境是来自于生物学的一个概念，是指特定环境下 的一种生存环境。生物在其进化过程中，一般总是与自 己相同的物种生活在一起，共同繁衍后