进化算法以其搜索的全局性逐渐成为解决MOP问题的有效工具。以下按照Coello Coello[14，15]的总结方式来简介多目标进化优化领域的一些代表性算法。第一代多目标进化算法1989年，Goldberg建议用非支配排序和小生境技术来解决MOP问题。第一代多目标进化算法以基于非支配排序的选择和基于共享函数的多样性保持为其主要特点，但这一代MOEA算法的缺点也十分明显。因此，第二代多目标进化算法普遍使用了精英策略。......
2023-11-26
WFG系列算法的多目标群体智能
【摘要】：与以前的测试函数集不同的是，WFG工具包允许算法的设计者通过一系列可组合的转换函数来控制测试问题的特性。为此，WFG工具包提供了各种预定义的形状函数和转换函数。“”表示利用转换函数创建另一向量。通过上述标准化的构造过程可以构造出一个WFG测试问题的实例，并且可以使得实例满足多种用户定义的问题特性和特定的几何结构。
2006年，Huband等[21]对几种经典的测试函数集进行了总结分析，提出了一种新的多目标测试问题生成工具，即WFG测试问题工具包。与以前的测试函数集不同的是，WFG工具包允许算法的设计者通过一系列可组合的转换函数来控制测试问题的特性。WFG测试问题工具包十分灵活，它能提供诸如偏转、多模态和不可分性之类的特性，并能还能根据需要对这些性质进行合并和组合，它支持多种Pareto最优几何结构，包括凸、凹、混合凸/凹、线性、退化和不连续的几何结构等。
在构建一个多目标测试函数时，需要选择几个形状函数来确定适应度空间的几何结构，而且需要使用若干有助于创建转换向量的转换函数。其中的转换函数需要精心设计，以使得适应度空间和Pareto最优前沿保持完整，并具有相对容易确定的Pareto最优解集。为此，WFG工具包提供了各种预定义的形状函数和转换函数。利用WFG工具箱创建的多目标优化测试问题具有定义良好的特性，这些测试问题的目标数目和参数个数是可以扩展的，而且这样构造出来的测试问题的Pareto最优解集也是已知的。Huband等提出了9个可扩展的多目标测试问题，即WFG1～WFG9，其中包括了多模态问题和不可分离的问题，而这些问题特性恰恰是很多基准多目标测试问题所不具备的。
利用WFG工具包创建多目标测试问题符合以下的要求:首先，给定决策变量z＝{z1，…，zk，zk＋1，…，zn }，一个最小化测试问题的构造方法如下:(www.chuimin.cn)
而
{z1/z1，max，…，zn/zn，max}。
在上述构造过程中，M为目标数，x为中间参数向量，x1:M-1为对应向量的位置参数，z为实际参数向量，z1:k为位置参数，zk＋1:n为距离参数，z[0，1]由z各维参数标准化产生。由z[0，1]产生x过程中包含p次转换过程和一次退化处理过程，每次转换过程是由一个转换函数实现。对于tp中的每一维参数
＋0.5为退化处理过程，A1:M-1∈{0，1}为响应系数，如果Ai为0，那么测试问题的Pareto前沿的维度减1。h1:M为特定结构的形状函数，D和S1:M分别为距离参数和形状函数的扩展参数。“↦”表示利用转换函数创建另一向量。通过上述标准化的构造过程可以构造出一个WFG测试问题的实例，并且可以使得实例满足多种用户定义的问题特性和特定的几何结构。
有关多目标群体智能优化算法的文章
- 详细阅读
-
多目标群体智能算法指南详细阅读
鉴于此，一些研究者提出了设计多目标优化测试问题的系统方法和基本原则。为此，Deb等[20]提出了以下三种设计多目标优化测试问题集的方法:将单目标优化问题组合成多目标优化问题；采用自底向上的设计方法；对曲面进行约束设计。Deb详细阐述了构造多目标测试函数的系统方法及其特点，指出设计一个(组)测试函数的主要依据是基于多目标优化方法所期望的函数特征。......
2023-11-26
-
多目标群体智能算法的研究成果详细阅读
例如，基于分布估计算法提出的RM-MEDA算法[20]、将传统的数学规划方法与进化算法相结合提出的MOEA/D[21]等。这些新型进化范例的引入提高了MOEA算法解题的效率与效果，它们为MOP问题的求解开辟了更广阔的空间。这一类MOEA算法避免了Pareto占优引起的大量比较问题，但由于超体积本身的计算量较大，需要引入蒙特卡罗估计等方法来提高计算速度。因此，单链模式便成为影响MOEAs收敛的重要潜在因素。......
2023-11-26
-
多目标群体智能算法eMOFEOA的效果详细阅读
基于此，对eMOFEOA算法不同世代的烟花种群采用非线性递减的半径变化方式，而在同一代群体内则基于个体间Pareto支配强度的差异而被赋予不同的爆炸半径。选择火星eMOFEOA算法均匀随机初始化种群之后，从第二代起将当前种群中每一个个体都视为一个炸点，这些炸点爆炸后将会产生大量的火星，这些火星与炸点一起进行评估以选择出较优的火星(炸点)参与下一次爆炸。......
2023-11-26
-
多目标群体智能算法-萤火虫算法基础详细阅读
同其他的智能优化算法相比，萤火虫算法概念简单，流程清晰，需要调整的参数较少，更加容易实现。虽然目前萤火虫算法还缺乏完备的数学理论基础，但已有的仿真实验结果表明，萤火虫算法具备较高的寻优精度和收敛速度，是一种可行有效的优化方法，它为智能优化提供了新的思路[2]。......
2023-11-26
-
多目标群体智能算法的新趋势详细阅读
MOPSO算法的创新性设计及其优异的性能，使其成为利用粒子群优化算法求解多目标优化算法的经典范例。目前，基于分解的多目标进化算法获得了较快的发展。由于运用聚合函数[31]将多目标优化问题转化为多个单目标子优化问题，因此如何选择合适的聚合函数就成为MOEA/D算法的重要问题。Solima等[38]将协同进化与局部搜索的思想融入多目标差分进化算法，以指导搜索向着Pareto最优解逼近。......
2023-11-26
-
多目标群体智能算法的历史详细阅读
鉴于多目标优化问题在科学研究和实际应用中普遍存在，因此，研究MOP问题的求解具有重要的现实意义。多目标优化这一概念在早期的研究文献中也被称为多准则决策或多属性决策。意大利经济学家L.Pareto[8]于1896年在其关于经济福利的著作中最早提了到多目标优化问题以及后来被称为Pareto最优的均衡状态。因此，ε约束法实质上是将MOP问题转化为带约束的单目标优化问题进行求解。......
2023-11-26
-
多目标群体智能算法的引言详细阅读
MOEA算法的设计通常集中于两个方面:一是逼近性，即获得的非支配解集向真实Pareto前沿的逼近程度；二是多样性，即获得的解群均匀分布的程度。MOEA算法一般分别针对这两个相互冲突的目标而实施不同的策略。比如，在收敛性(逼近性)方面，MOEA通常采用基于Pareto关系的适应度赋值方式引导种群逼近真实Pareto前沿。......
2023-11-26
相关推荐