基于分解的多目标优化算法研究与分析.docx

? ? 基于分解的多目标优化算法研究与分析 ? ? 弓佳明，章腾浩，许丽娟 （广州华商学院数据科学学院，广州 511300） 0 引言 时代造就了科技水平的提高，人类文明的不断推进。无论是在医学、金融，还是交通等方面都出现了许多优化问题。为此，研究人员研究了一种模拟自然进化算法（EA）的随机搜索算法，由于这类算法在科研领域有很强的适配性，该算法被广泛用于解决非常复杂的非线性结构。然而现实中的优化问题通常是拥有多个属性且相互联系的，例如：一个国家想要强大，经济实力和国防力量是支撑。国家的经济发展与其军事国防发展间的优化关系。国家发展好了，那么经济就会对其军事力量提供更好的资金支持；反过来，只有武器力量强大了才能在世界上站稳脚跟，更好地发展经济。其两者是相互促进，密不可分的。同时，这两者又是相互矛盾的，倘若过度投资国防不发展经济，就会头重脚轻，到最后国防资金供给不足；反之亦然，落后就要挨打，处于水深火热之中的经济更加燃不起火苗。所以，关键在于衡量这两者之间的投入比例使其达到最优解。 为了实现总目标的最优化，研究者们往往需要对彼此矛盾的影响因子进行综合考虑，于是便衍生了多目标进化算法。MOEA 的种类有许多，本文只研究基于分解的多目标优化算法（MOEA/D）。根据多目标演化算法将多目标问题（MOPS）转化为一些单个体，之后利用小个体的邻近子问题的关系进一步重复更新迭代［1］。由于分解成一个个小目标，这使得该方法在处理相关联系的信息就不会进入极端的局部最优，而这些个体目标所组成的结果最终会接近最优解边界（PF），即一组Pareto最优解集。 1 基于分解策略的多目标优化算法概述 1.1 多目标优化问题（MOP） 在解决多目标优化问题时，有些问题是难以解决的。这是因为多目标优化问题（MOPs）不同于单目标优化（SOPs），在最优解上多目标优化问题具有多个最优解。那么接下来的问题即是，对于这些最优解集哪些才是解决问题所需要的，如何构造这些最优解集？为了解决这些问题，研究者们给出了这样的描述。 对于一个具有m个目标，n维决策变量的MOPs，其数学模型［2］为 其中x=(x1,…,xm)∈Ω 被称为m维决策向量，为一组个体。在目标进化中优化函数向量minF(x)=(f1(x),f2(x),…,fk(x))T，k是目标函数的个数。在多目标优化问题中，对于不同的子目标函数可能会有不同的最优解。总结起来归为三类情况：①最大化所有子目标函数；②最小化所有子目标函数；③最小化部分子目标函数，最大化其他子目标函数。 1.2 Pareto最优解和最优边界 Pareto 最优解：多目标的最优解通常被称为Pareto最优解。它是由经济学领域的专家为提高经济上的效率问题和收入方面的分配方法而研究得到的，是属于资源分配的“乌托邦”，在进行分拨的过程中整体趋势向着好的方向发展，并不会存在一个由于其他的优化而恶化，这就是帕累托最优化。 Pareto 最优边界：在目标空间中，多目标的最优解集就是目标函数的切点。它们总是落在搜索区域的边界上。如图1所示。A、B、C、D、E和F所在曲线便是最优解边界，而这些实心点所组成的集合即为Pareto最优解集，其余点便不属于该集内。 图1 最优边界 1.3 分解策略 分解策略是用传统数学规划解决多目标优化问题的一个基本思路。在给定权重偏好或者参考点信息的情况下，分解法通过线性或者非线性方法将原MOPS中的各个目标聚合得到一个个单目标优化问题，并且使单目标优化方法求出一个Pareto 最优解［3］。为了得到整个PF 的逼近，Zhang等［4］在2008年提出了基于分解的多目标优化算法，该算法在科研领域得到了广泛使用，成为目前最具影响力的MOEA/D之一。 1.4 基于分解策略的多目标优化算法的分解方法 权重聚合方法（Weighted Sum Approach）［4］是一种常用的线性多目标聚合方法，其目标函数的聚合形式定义为 如式（2），x∈Ω为决策向量，λ=(λ1,λ2,…,λm)为权重向量，满足λi≥0,i=1,2,…,m且=1如图2 所示，绿色为等值线，红色为权重向量，等值线与方向向量垂直。当最小化问题的PF 为凸状时，单个最优等值线会与PF 相交于一个切点。该类聚合方法所得到的结果能够较好符合贴近PF 的要求，这使得研究者们遇到高维度的空间难题时用该类方法解决好这一复杂问题。 图2 权重逼近 权重聚合方法也有其缺点，那就是当最小化问题的Pareto前沿面为凹状时，所有最优解位于Pareto面的边缘地带。这是因为Pareto 面中间凹下去那部分的解会与其他的解“格格不入”，形成了较大的差值比较，从而降低了最终结果的精确度，即相比Pareto 面的边缘具有更大的函数值。所以权重聚合方法并不能很好地解决Pareto面为凹状的情况