面向高维多目标优化的双阶段双种群进化算法

doi:10.3778/j.issn.1002-8331.2307-0381

摘要/摘要

摘要：随着目标维度的上升，高维多目标优化问题的帕累托前沿越来越复杂，传统的基于分解的高维多目标进化算法难以挑选出多样性和收敛性良好的种群。针对以上问题提出了一种面向高维多目标优化的双阶段双种群进化算法。该算法将进化过程划分为两个阶段，在第一阶段判断帕累托前沿的形状是否规则，而在第二阶段则根据帕累前沿的形状选择是否对权重向量进行调整，以保证种群在规则及不规则帕累托前沿上都能获得良好的多样性。为了对权重向量进行调整且不影响算法的收敛性，该算法使用了两个种群进行进化，一个主种群正常进化，另一个辅种群作为权重向量。为了在不规则的帕累托前沿上获得一组适应种群分布的权重向量，引入了自然界中能量平衡的概念收集了多样性良好的辅种群作为权重向量。将提出的算法与其他算法在3-10目标的测试问题上进行比较。实验结果表明，提出的算法在大多数测试问题上性能优于比较的算法。

关键词: 高维多目标优化, 进化算法, 双阶段, 群，权重向量, 能量平衡

摘要：随着目标数量的增加，多目标优化问题的Pareto前沿变得越来越复杂。传统的基于分解的多目标进化算法难以选择具有良好多样性和收敛性的种群。为了解决这个问题，提出了一种新的多目标优化的双阶段对偶种群进化算法。在该算法中，进化过程分为两个阶段。在第一阶段，它决定了帕累托锋的形状是否规则。在第二阶段，它根据Pareto锋的形状调整权重向量，确保种群在规则和不规则Pareto锋面上都能实现良好的多样性。为了在不影响算法收敛性的情况下进行权重向量调整，使用两个种群进行进化：一个主种群正常进化，另一个辅助种群作为权重向量。最后，为了获得一组适合分布在不规则Pareto锋上的种群的权重向量，引入了自然界能量平衡的概念，以收集多种多样的辅助种群作为权重向量。在3-10个目标的测试问题上，将该算法与其他算法进行了比较。实验结果表明，该算法在大多数测试问题上都优于比较算法。

关键词： 多目标优化，进化算法，双重阶段，双重人口，权重向量，能量平衡

曹嘉乐, 杨磊, 田井林, 李华德, 李康顺. 面向高维多目标优化的双阶段双种群进化算法[J] ●●●●。，2024, 60(9): 159-171.

曹家乐、杨磊、田敬林、李华德、李康顺。多目标优化的双阶段双种群进化算法[J]。计算机工程与应用，2024，60（9）：159-171。

参考文献

[1]易灵芝, 林佳豪, 刘建康, 等. 改进自适应MOEA/D公司算法的楼宇负荷优化调度[J] ●●●●。，2022, 58(2): 295-302.
YI L Z，LIN J H，LIU J K，等.建筑负荷优化调度的改进自适应MOEA/D算法[J]。计算机工程与应用，2022，58（2）：295-302。
[2] 顾清华, 骆家乐, 李学现. 基于小生境的多目标进化算法[J] ●●●●。，2023, 59(1): 126-139.
顾庆浩，LUO J L，LI X X。基于小生境的多目标优化进化算法[J]。计算机工程与应用，2023,59（1）：126-139。
[3] 安宇欣, 王转. 配送中心多区并行拣货系统投产顺序优化研究[J] ●●●●。，2023, 59(7): 328-336.
AN Y X，WANG Z.配送中心多区域平行分拣系统生产序列优化研究[J]。计算机工程与应用，2023,59（7）：328-336。
[4] 沈J，王平，王霞.进化多目标优化的受控强化优势关系[J]。IEEE控制论汇刊，2020，52（5）：3645-3657。
[5] ZHU S，XU L，GOODMAN E D，等.基于广义Pareto优势度的多目标进化算法[J]。IEEE控制论汇刊，2021，52（8）：7776-790。
[6] 周毅，李斯，佩德瑞奇·W，等.ACDB-EA:多目标优化的自适应收敛-多样性平衡进化算法[J]。群体与进化计算，2022，75:101145。
[7] CHEN G，LI J.一种基于多样性排序的多目标优化进化算法[J]。群体与进化计算，2019，48:274-287。
[8] BADER J，ZITZLER E.HypE:一种基于快速超卷的多目标优化算法[J]。进化计算，2011，19（1）：45-76。
[9] 孙毅，杨国光，YI Z.基于IGD指标的多目标优化问题进化算法[J]。IEEE进化计算汇刊，2018，23（2）：173-187。
[10] ZITZLER E，THIELE L.使用进化算法的多目标优化——一个比较案例研究[C]//自然并行问题解决国际会议。柏林，海德堡：施普林格，1998:292-301。
[11] COELLO COELLO C A，REYES SIERRA M.卷积多目标进化算法并行化研究[C]//第三届墨西哥国际人工智能会议论文集，墨西哥城，2004年4月26日至30日。柏林，海德堡：施普林格，2004:688-697。
[12] 刘强，邹杰，杨斯，等.一种基于决策变量分类的多目标进化算法[J]。群体与进化计算，2022，73:101108。
[13] 李杰，王平，董浩，等.代价昂贵的多目标优化问题的两阶段代理辅助进化算法[J]。群体与进化计算，2022，73:101107。
[14] 王浩，焦力，姚欣.Two_Arch2:一种改进的多目标优化双存档算法[J]。IEEE进化计算汇刊，2014，19（4）：524-541。
[15] 张琦，李海默/D：一种基于分解的多目标进化算法[J]。IEEE进化计算汇刊，2007，11（6）：712-731。
[16] CHENG R，JIN Y，OLHOFER M，等.一种参考向量引导的多目标优化进化算法[J]。IEEE进化计算汇刊，2016，20（5）：773-791。
[17] SAXENA D K，DEB K。某些大维多目标优化问题的非线性降维方法：利用相关熵和新的最大方差展开[C]//进化多准则优化国际会议。柏林，海德堡：施普林格，2007:772-787。
[18] 刘斯，林强，黄金川，等.一种多目标优化的自导参考向量策略[J]。IEEE控制论汇刊，2020，52（2）：1164-1178。
[19] 赵C，周毅，郝毅.多目标优化问题的基于分解的对偶调整进化算法[J]。群体与进化计算，2022，75:101168。
[20] 张C，谭科奇，李丽华，等.不连续Pareto前沿双目标优化问题的MOEA/D中权向量的调整[J]。软计算，2018，22:3997-4012。
[21]刘毅，龚德，孙杰，等.一种使用逐个选择策略的多目标进化算法[J]。IEEE控制论汇刊，2017，47（9）：2689-2702。
[22]HARDIN D P，SAFF E B.可直D维流形的极小Riesz能点配置[J]。数学进展，2005，193（1）：174-204。
[23]AGGARWAL C C，HINNEBURG A，KEIM D A.关于高维空间中距离度量的惊人行为[C]//第八届数据库理论国际会议论文集，英国伦敦，2001年1月4-6日。柏林，海德堡：施普林格，2001:420-434。
[24]DEB K，THIELE L，LAUMANNS M，et al.进化多目标优化的可扩展测试问题[M]//进化多目标最优化：理论进展与应用。伦敦：施普林格出版社，2005:105-145。
[25]HUBAND S，HINGSTON P，BARONE L，et al.多目标测试问题综述与可扩展测试问题工具箱[J]。IEEE进化计算汇刊，2006，10（5）：477-506。
[26]程瑞，李明，田毅，等.进化多目标优化的基准测试集[J]。复杂与智能系统，2017年，3:67-81。
[27]JAIN H，DEB K。一种使用基于参考点的非支配排序方法的进化多目标优化算法，第二部分：处理约束并扩展到自适应方法[J]。IEEE进化计算汇刊，2013，18（4）：602-622。
[28]张X，田毅，金毅.一种多目标优化的膝点驱动进化算法[J]。IEEE进化计算汇刊，2014，19（6）：761-776。
[29]向勇，周勇，李明，等.一种基于向量角度的无约束多目标优化进化算法[J]。IEEE进化计算汇刊，2016，21（1）：131-152。
[30]DEB K，SINDHYA K，OKABE T.用于实参数优化的自适应模拟二进制交叉[C]//第九届遗传与进化计算年会论文集，2007:1187-1194。
[31]DEB K，GOYAL M.工程设计中的组合遗传自适应搜索[J]。计算机科学与信息学，1996，26:30-45。
[32]DERRAC J，GARCíA S，MOLINA D，et al.关于使用非参数统计测试作为比较进化算法和群智能算法的方法的实用教程[J]。群体与进化计算，2011，1（1）：3-18。
[33]毛Z，刘M.一种基于局部搜索的多目标五元素循环优化算法[J]。群体与进化计算，2022，68:101009。
[34]LIAO X，LI Q，YANG X，等.基于逐步回归模型的车辆碰撞安全设计多目标优化[J]。结构与多学科优化，2008，35:561-569。