一种基于分解和协同的高维多目标进化算法

现实中高维多目标优化问题普遍存在，而且其巨大的目标空间使得经典的多目标进化算法面临严峻挑战，提出一种基于分解和协同策略的高维多目标进化算法MaOEA/DCE.该算法利用混合水平正交实验设计方法产生接近于指定规模且均匀分布于聚合系数空间的权重向量，提高种群的分布性；其次，算法将差分进化算子和自适应SBX算子进行协同进化以产生高质量的子代个体，改善算法的收敛性.该算法与另外五种高性能的多目标进化算法在基准测试函数集DTLZ{1，2，4，5}上进行IGD⁺性能指标实验，结果表明MaOEA/DCE在收敛性、多样性和稳定性方面总体具有显著的性能优势.     

采用放松支配关系的高维多目标微分进化算法

为了提高进化算法在求解高维多目标优化问题时的收敛性和多样性,提出了采用放松支配关系的高维多目标微分进化算法。该算法采用放松的Pareto支配关系,以增加个体的选择压力;采用群体和外部存储器协同进化的方案,并通过混合微分变异算子,生成子代群体;采用基于指标的方法计算个体的适应度并对群体进行更新;采用基于Lp范数（0相似文献   

基于指标选择和密度评估删除的高维多目标进化算法

尽管许多高维多目标进化算法已被提出,但平衡种群收敛性与多样性的困难仍然存在.对此,提出一种基于指标选择和密度评估删除的高维多目标进化算法(indicator selection and density estimation deletion-based manyobjective evolutionary algorithm, MaOEA/IS-DED).该算法在环境选择过程中采用基于Iε+(x, y)指标的选择策略和基于移动的密度评估删除机制协作逐一剔除种群中收敛性和多样性差的个体,进而使种群个体从多样性好的搜索方向上收敛于真实Pareto前沿,完成平衡收敛性与多样性.具体地,前者选择Iε+(x, y)指标值最小的一对个体,其在空间中表现为搜索方向最相似的个体;后者利用自身兼顾种群收敛性和多样性的特性,比较被选的这对个体且删除这对个体中收敛性和多样性较差的个体.实验结果表明, MaOEA/IS-DED算法在处理高维多目标优化问题时能获得较强的竞争性能.     

DAV-MOEA:一种采用动态角度向量支配关系的高维多目标进化算法

现实中不断涌现的高维多目标优化问题对传统的基于Pareto支配的多目标进化算法构成巨大挑战.一些研究者提出了若干改进的支配关系,但仍难以有效地平衡高维多目标进化算法的收敛性和多样性.提出一种动态角度向量支配关系动态地刻画进化种群在高维目标空间的分布状况,以较好地在收敛性与多样性之间取得平衡;另外,提出一种改进的基于Lp...     

基于种群关联策略和强化解集准则的高维多目标进化算法

一般的高维多目标进化算法无法有效处理不同类型的Pareto前沿.针对这一情况,提出一种基于种群关联策略和强化解集准则的高维多目标进化算法(many-objective evolutionary algorithm based on population association strategy and enhanced solution set criterion, MaOEA/PAS-ESC).该算法在环境选择中采用种群关联策略(population association strategy, PAS)和强化解集准则(enhanced solution set criterion, ESC)协同指导种群进化. PAS利用解与参考向量的角度和欧氏距离以及种群中解之间的距离构建角度与距离联合函数(joint function of angle and distance, JFAD),选择多样性良好的解,然后ESC利用参考点与种群间的联系组成适应度函数,选择收敛性良好的解,以共同达到有效平衡多样性和收敛性的目的.实验结果表明,采用MaOEA/PAS-ESC处理高维多目标优化问题具有更强的竞...     

基于IGD+S指标的高维多目标进化算法

如何有效评价个体是处理高维多目标优化问题的关键.文中提出改进的反世代距离(IGD⁺S)指标,以反世代距离(IGD)指标为原型,融合修改的反世代距离(IGD⁺)指标的弱支配性,增加无贡献个体概念,可综合评价解集收敛性和多样性.将IGD⁺S指标嵌入进化算法框架中,提出基于IGD⁺S指标的高维多目标进化算法.在环境选择过程中,根据IGD⁺S选择优良个体.实验表明,文中算法在处理DTLZ问题和WFG问题上具有良好的竞争力.     

一种基于信息分离的高维多目标进化算法

高维多目标优化是指对目标维数大于三维的多目标问题(multi-objective optimization problem,简称MOP)进行优化.大多数传统的多目标进化算法采用Pareto支配关系指导搜索,很难在高维多目标优化问题上得到较为理想的结果.为此,提出了一种基于信息分离的高维多目标进化算法(multi-objective evolutionary algorithm based on information separation,简称ISEA).该算法在目标空间中将原坐标系进行旋转,使第1条坐标轴与向量(1,1,…,1)^T平行.ISEA定义转换坐标的第1个坐标值为收敛信息(convergence information,简称CI),剩余的坐标代表个体分布信息(diversity information,简称DI).同时,采用一种基于分层选择的邻域惩罚机制,利用一种由两个超圆锥组成的邻域形状保持种群的分布性,当个体被选入归档集后,其邻域内的个体将被惩罚进入下一层选择,防止邻近的个体同时被选入归档集.邻域形状的第1部分利用分布信息覆盖邻近的个体,第2部分覆盖边界上的差个体.与NNIA,e-MOEA, MSOPS,AR+DMO以及IBEA这5种经典算法进行了比较.实验结果表明,ISEA在处理高维多目标优化问题时具有良好的收敛性和分布性.     

基于目标迁移和条件替代的高维多目标进化算法

尽管许多高维多目标进化算法已被提出,但大多仍无法有效处理具有不规则Pareto前沿的高维多目标优化问题.鉴于此,提出基于目标迁移和条件替代的高维多目标进化算法(MaOEA-OTCR),在环境选择过程中利用目标迁移策略和条件替代准则协作逐一选择收敛性和多样性好的个体进入下一代.前者首先选择位于Pareto前沿边界的极值解进入下一代,以确定Pareto前沿的范围,同时选择收敛性最好的若干个体进入下一代,以加速种群收敛;然后迁移已选解集且利用迁移解集和未迁移解集的最大距离来选择收敛性和多样性好的个体进入下一代.后者利用基于角度和收敛性评估的条件取代准则来防止前者过度强调多样性.此外,提出一个多标准决策的匹配选择策略,旨在增加具有良好收敛性和多样性种群个体结合的概率,进一步提升算法的搜索效率.为了验证MaOEA-OTCR的有效性,在3个测试集上与8个先进的高维多目标进化算法进行对比实验.实验结果表明, MaOEA-OTCR在处理高维多目标优化问题时不仅能够获得较强的竞争性能,而且有能力处理具有不规则Pareto前沿的高维多目标优化问题.     

基于改进K 支配排序的高维多目标进化算法

为提高4目标以上高维多目标优化问题的求解性能,提出一种基于改进K支配排序的高维多目标进化算法(KS-MODE).该算法针对K支配的支配关系和排序方法进行改进,避免循环支配并增强选择压力;设计新的全局密度估计方法提高局部密度估计精确性;设计新的精英选择策略和适应度值评价函数;采用CAO局部搜索算子加速收敛.在4～30个目标标准测试函数上的实验结果表明,KS-MODE能够在保证解集分布性的同时大幅提升收敛性和稳定性,能够有效求解高维多目标优化问题.     

基于IGD+指标的两阶段选择高维多目标进化算法

针对在高维空间下多目标进化算法难以维持种群收敛性和多样性平衡的问题, 本文提出一个基于IGD+指标的两阶段选择高维多目标进化算法(MaOEA–ITS). 在第1阶段, 算法基于IGD+指标选择收敛性良好的精英个体, 其所需的参考点通过引入切割平面截距法构建. 在第2阶段, MaOEA–ITS使用模糊c均值算法对参考向量进行聚类, 聚类后的参考向量引导种群分解策略对剩余个体进行环境选择, 从而维持种群的多样性. 另外, 为了保护能够提高种群多样性的极值解, 本文提出一个参考点分布自适应策略. 最后, 通过仿真实验来验证MaOEA–ITS的有效性和优越性.     

An angle based evolutionary algorithm with infeasibility information for constrained many-objective optimization

Recently, angle-based approaches have shown promising for unconstrained many-objective optimization problems (MaOPs), but few of them are extended to solve constrained MaOPs (CMaOPs). Moreover, due to the difficulty in searching for feasible solutions in high-dimensional objective space, the use of infeasible solutions comes to be more important in solving CMaOPs. In this paper, an angle based evolutionary algorithm with infeasibility information is proposed for constrained many-objective optimization, where different kinds of infeasible solutions are utilized in environmental selection and mating selection. To be specific, an angle-based constrained dominance relation is proposed for non-dominated sorting, which gives infeasible solutions with good diversity the same priority to feasible solutions for escaping from the locally feasible regions. As for diversity maintenance, an angle-based density estimation is developed to give the infeasible solutions with good convergence a chance to survive for next generation, which is helpful to get across the large infeasible barrier. In addition, in order to utilize the potential of infeasible solutions in creating high-quality offspring, a modified mating selection is designed by considering the convergence, diversity and feasibility of solutions simultaneously. Experimental results on two constrained many-objective optimization test suites demonstrate the competitiveness of the proposed algorithm in comparison with five existing constrained many-objective evolutionary algorithms for CMaOPs. Moreover, the effectiveness of the proposed algorithm on a real-world problem is showcased.     

基于新的适应度函数和多搜索策略的高维多目标进化算法

为提高高维多目标进化算法的性能,提出了一个基于新的适应度函数和多搜索策略的高维多目标进化算法。该算法提出了一个新的适应度函数来平衡多样性和收敛性,并且设计了一个多搜索策略来帮助交叉算子产生优秀的后代进而提高收敛性。该适应度函数首先从当前种群和新产生的后代中挑出收敛性较好的个体,然后计算这些个体的稀疏程度;该多搜索策略选择稀疏且收敛的解来执行全局和局部搜索。数值实验测试了CEC2018高维多目标竞赛的15个测试问题,每个测试问题的目标个数分别为5、10、15。实验结果表明,该算法能找到一组比四种代表性算法（如NSGAIII、MOEA/DD、KnEA、RVEA）具有更好的多样性和收敛性的解集。     

基于小生境的多目标进化算法

进化算法求解多目标优化问题平衡收敛性和多样性面临的主要挑战在两个方面：增强对帕累托最优前沿的选择压力和获得多样性良好的解集。然而,随着目标维数的增加,基于帕累托支配关系的选择标准无法有效地解决以上问题。因此,设计了一种基于小生境的多目标进化算法。基于小生境,提出了一种新的支配关系,其中,设计了一个聚合函数和一种采用目标向量角的密度估计方法分别度量候选解的收敛度和分布性。为了保证解集的收敛性,在同一个小生境内,仅仅收敛度最好的解是非支配解。为了维护解集的多样性,在任何两个不同的小生境内,一个小生境内兼具收敛度和分布性良好的解支配另一个小生境内收敛性和分布性均差的解,将提出的支配关系嵌入VaEA取代帕累托支配关系,设计了一种多目标进化算法VaEA-SDN。VaEA-SDN与NSGA-Ⅲ、VaEA、MSEA、NSGAII-CSDR、RPS-NSGAII以及CDR-MOEA等先进的算法在DTLZ(Deb-Thiele-Laumanns-Zitzler)和MaF(manyobjective function)基准测试系列问题上进行了广泛的对比仿真实验。仿真结果表明,VaEA-SDN平衡收敛收敛性...     

A radial space division based evolutionary algorithm for many-objective optimization

In evolutionary many-objective optimization, diversity maintenance plays an important role in pushing the population towards the Pareto optimal front. Existing many-objective evolutionary algorithms mainly focus on convergence enhancement, but pay less attention to diversity enhancement, which may fail to obtain uniformly distributed solutions or fall into local optima. This paper proposes a radial space division based evolutionary algorithm for many-objective optimization, where the solutions in high-dimensional objective space are projected into the grid divided 2-dimensional radial space for diversity maintenance and convergence enhancement. Specifically, the diversity of the population is emphasized by selecting solutions from different grids, where an adaptive penalty based approach is proposed to select a better converged solution from the grid with multiple solutions for convergence enhancement. The proposed algorithm is compared with five state-of-the-art many-objective evolutionary algorithms on a variety of benchmark test problems. Experimental results demonstrate the competitiveness of the proposed algorithm in terms of both convergence enhancement and diversity maintenance.     

基于帕累托前沿面曲率预估的超多目标进化算法

基于分解的超多目标进化算法是求解各类超多目标优化问题的主流方法, 其性能在很大程度上依赖于所采用参考向量与真实帕累托前沿面(Pareto front, PF)的匹配程度. 现有基于分解的超多目标进化算法尚难以同时有效处理各类PF不同的优化问题. 为此, 提出了一种基于PF曲率预估的超多目标进化算法(MaOEA-CE). 所提算法的核心包括两个方面, 首先基于对PF曲率的预估, 在每次迭代过程中生成不同的参考向量, 以渐进匹配不同类型问题的真实PF; 其次在环境选择过程中, 再基于预估的曲率选择合适的聚合函数对精英解进行挑选, 并对参考向量进行动态调整, 在维护种群多样性的同时提升种群的收敛性. 为验证MaOEA-CE的有效性, 将其与7个先进的超多目标算法在3个主流测试问题集DTLZ、WFG和MaF上进行对比, 实验结果表明MaOEA-CE具有明显的竞争力.     

进化高维多目标优化研究进展

高维多目标优化问题是目标个数多于3的多目标优化问题.尽管进化优化方法在多目标优化问题求解中显示了卓越的性能,但是,对于高维多目标优化问题,已有方法存在目标维数难以扩展、Pareto占优关系无法区分进化个体,以及多样性维护策略失效等困难.因此,高维多目标优化问题的高效求解引起进化优化界的高度关注.本文将分别从新型占优关系、多样性维护策略、目标缩减、目标聚合、基于性能指标的选择、融入偏好、集合进化、变化算子、可视化技术,以及应用等10个方面分类总结近年来进化高维多目标优化的研究成果,通过分析已有研究存在的问题,指出今后可能的研究方向.