针对包含复杂约束条件的约束多目标优化问题(CMOP),在确保算法满足严格约束的同时,有效平衡算法的收敛性与多样性是重大挑战。因此,提出一种双种群双阶段的进化算法(DPDSEA)。该算法引入2个独立进化种群:主种群和副种群,并分别利用可行...针对包含复杂约束条件的约束多目标优化问题(CMOP),在确保算法满足严格约束的同时,有效平衡算法的收敛性与多样性是重大挑战。因此,提出一种双种群双阶段的进化算法(DPDSEA)。该算法引入2个独立进化种群:主种群和副种群,并分别利用可行性规则和改进的epsilon约束处理方法进行更新。在第一阶段,主种群和副种群分别探索约束Pareto前沿(CPF)与无约束Pareto前沿(UPF),从而获取UPF和CPF的位置信息;在第二阶段,设计一种分类方法,根据UPF与CPF的位置对CMOP进行分类,从而对不同类型的CMOP执行特定的进化策略;此外,提出一种随机扰动策略,在副种群进化到CPF附近时,对它进行随机扰动以产生一些位于CPF上的个体,从而促进主种群在CPF上的收敛与分布。把所提算法与6个具有代表性的算法:CMOES(Constrained Multi-objective Optimization based on Even Search)、dp-ACS(dual-population evolutionary algorithm based on Adaptive Constraint Strength)、c-DPEA(DualPopulation based Evolutionary Algorithm for constrained multi-objective optimization)、CAEAD(Constrained Evolutionary Algorithm based on Alternative Evolution and Degeneration)、BiCo(evolutionary algorithm with Bidirectional Coevolution)和DDCMOEA(Dual-stage Dual-population Evolutionary Algorithm for Constrained Multiobjective Optimization)在LIRCMOP和DASCMOP两个测试集上进行实验比较。实验结果表明,DPDSEA在23个问题中取得了15个最优反转世代距离(IGD)值和12个最优超体积(HV)值,展现了DPDSEA在处理复杂CMOP时显著的性能优势。展开更多
为了提高用于更新代理模型的解集的多样性和收敛性以提高代理模型准确度,提出一种基于行列式点过程(determinantal point process,DPP)的代理模型辅助多目标进化算法(surrogate-assisted evolutionary algorithm,SAEA)。首先,提出一种...为了提高用于更新代理模型的解集的多样性和收敛性以提高代理模型准确度,提出一种基于行列式点过程(determinantal point process,DPP)的代理模型辅助多目标进化算法(surrogate-assisted evolutionary algorithm,SAEA)。首先,提出一种基于行列式点过程的模型管理方法,从非支配解集基于行列式点过程选取子集并用真实目标函数评估,再从所有经真实目标函数评估的解中选取子集用于更新代理模型。另一方面,提出一种基于自适应行列式点过程的环境选择方法,在进化过程的早期侧重于提高种群的收敛性,在进化过程的后期侧重于提高种群的多样性。最后,基于DTLZ、WFG、MAF测试问题验证算法的有效性。将所提算法与K-RVEA、KTA2、CSEA等常用算法进行比较,使用IGD+指标进行评估。实验结果显示所提出的算法能得到更优的解集,从而证明了其高计算代价多目标优化问题上的有效性。展开更多
文摘针对包含复杂约束条件的约束多目标优化问题(CMOP),在确保算法满足严格约束的同时,有效平衡算法的收敛性与多样性是重大挑战。因此,提出一种双种群双阶段的进化算法(DPDSEA)。该算法引入2个独立进化种群:主种群和副种群,并分别利用可行性规则和改进的epsilon约束处理方法进行更新。在第一阶段,主种群和副种群分别探索约束Pareto前沿(CPF)与无约束Pareto前沿(UPF),从而获取UPF和CPF的位置信息;在第二阶段,设计一种分类方法,根据UPF与CPF的位置对CMOP进行分类,从而对不同类型的CMOP执行特定的进化策略;此外,提出一种随机扰动策略,在副种群进化到CPF附近时,对它进行随机扰动以产生一些位于CPF上的个体,从而促进主种群在CPF上的收敛与分布。把所提算法与6个具有代表性的算法:CMOES(Constrained Multi-objective Optimization based on Even Search)、dp-ACS(dual-population evolutionary algorithm based on Adaptive Constraint Strength)、c-DPEA(DualPopulation based Evolutionary Algorithm for constrained multi-objective optimization)、CAEAD(Constrained Evolutionary Algorithm based on Alternative Evolution and Degeneration)、BiCo(evolutionary algorithm with Bidirectional Coevolution)和DDCMOEA(Dual-stage Dual-population Evolutionary Algorithm for Constrained Multiobjective Optimization)在LIRCMOP和DASCMOP两个测试集上进行实验比较。实验结果表明,DPDSEA在23个问题中取得了15个最优反转世代距离(IGD)值和12个最优超体积(HV)值,展现了DPDSEA在处理复杂CMOP时显著的性能优势。
文摘为了提高用于更新代理模型的解集的多样性和收敛性以提高代理模型准确度,提出一种基于行列式点过程(determinantal point process,DPP)的代理模型辅助多目标进化算法(surrogate-assisted evolutionary algorithm,SAEA)。首先,提出一种基于行列式点过程的模型管理方法,从非支配解集基于行列式点过程选取子集并用真实目标函数评估,再从所有经真实目标函数评估的解中选取子集用于更新代理模型。另一方面,提出一种基于自适应行列式点过程的环境选择方法,在进化过程的早期侧重于提高种群的收敛性,在进化过程的后期侧重于提高种群的多样性。最后,基于DTLZ、WFG、MAF测试问题验证算法的有效性。将所提算法与K-RVEA、KTA2、CSEA等常用算法进行比较,使用IGD+指标进行评估。实验结果显示所提出的算法能得到更优的解集,从而证明了其高计算代价多目标优化问题上的有效性。
