增强饮食问题多目标进化优化中的决策空间多样性.pdfVIP

增强饮食问题多目标进化优化中的决策空间多样性

GustavoV.Nascimento,IvanR.Meneghini,ValériaSantos,

EduardoLuzandGladstonMoreira

ComputingDepartment,UniversidadeFederaldeOuroPreto,OuroPreto,35402-136,MinasGerais,Brazil.

gladston@.br

ABSTRACT

本多目标进化算法（MOEAs）对于解决复杂优化问题至关重要，例如饮食问题，在这种情况

译下，平衡诸如成本和营养含量等相互冲突的目标是至关重要的。然而，大多数MOEAs都专

中注于在目标空间中优化解决方案，常常忽视决策空间中的解的多样性，这对于为决策者提供

广泛的选择至关重要。本文介绍了一种方法，该方法直接将基于汉明距离的一致性度量集成

1到MOEA的选择机制中，以增强决策空间的多样性。针对饮食问题的一个多目标公式进行

v

7的实验表明，与NSGA-II相比，我们的方法显著提高了决策空间的多样性，同时保持了可比

7的目标空间性能。提出的方法提供了一种将决策空间意识集成到MOEAs中的通用策略。

0

7

0Keywords多目标优化进化算法决策空间多样性汉明距离饮食问题。

.

8

01介绍

5

2

:随着对健康生活方式的日益重视，优化食物选择以满足营养需求、同时降低成本和最大化多样性变得越来越

v

i重要[1,2,3]。饮食问题最初由[4]提出，其核心挑战在于找到一种成本效益高的食品组合来满足营养要求。

x

r在实际场景中，饮食问题不仅限于最小化成本，还包括多个相互冲突的目标，如最大化营养多样性以及特定

a营养素的摄入量，这构成了一个重大的多目标优化难题[5,6,7]。该问题的高度维度和组合特性使得寻找一组

帕累托最优解计算强度很大，需要高效的多目标进化算法（MOEAs）[8]。

虽然多目标进化算法在探索目标空间以近似Pareto前沿方面表现出色，但它们常常忽视了决策空间中多样

性的importance。[9]

提供广泛的食物组合对于有效的饮食规划至关重要，使决策者（例如营养师或个人）能够选择最适合他们个

人偏好和约束条件的解决方案。

本文通过引入主导权重汉明距离（DWH）启发式方法来解决这一差距，该启发式方法显式地促进决策空间多

样性，采用基于汉明距离的均匀性度量。DWH启发式方法扩展了在[9]中针对离散多目标优化问题的主导加

权均匀性（DWU）方法。我们在饮食问题的多目标公式上评估了我们的方法，并将其与已建立的NSGA-II[10]

进行比较。结果显示，通过最小和平均汉明距离衡量，决策空间多样性有显著提高，同时在目标空间中的超

体积也具有可比性。这表明我们的方法有效地探索了更广泛的饮食选项，而不会影响解决方案的成本、蛋白

质含量和种类质量。我们的主要贡献是：

•将基于汉明距离的一致性度量集成到多目标进化算法的选择过程中，以增强决策空间的多样性；

•在多目标饮食问题这一具有挑战性的实际优化问题背景下的有效性演示；

增强饮食问题多目标进化优化中的决策空间多样性增强饮食问题多目标进化优化中的决策空间多样性增强饮食问题多目标进化优化中的决策空间多样性

•与NSGA-II的定量比较，强调决策空间多样性与目标空间性能之间的权衡。

未来工作将探讨该方法在其他多目标优化问题上的应用，