CN104778368A - 一种针对高维多目标优化问题的Pareto集个体排序方法 - Google Patents
一种针对高维多目标优化问题的Pareto集个体排序方法 Download PDFInfo
- Publication number
- CN104778368A CN104778368A CN201510187467.6A CN201510187467A CN104778368A CN 104778368 A CN104778368 A CN 104778368A CN 201510187467 A CN201510187467 A CN 201510187467A CN 104778368 A CN104778368 A CN 104778368A
- Authority
- CN
- China
- Prior art keywords
- reference point
- individuality
- individual
- pareto
- integration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种针对高维多目标优化问题的Pareto集个体排序方法,该方法在比较种群个体优劣时,引入了一个新的参考点种群,通过比较种群个体与参考点之间的Pareto支配关系,间接地得到种群个体之间的优劣关系,即个体适应度。同时依据参考点与种群个体的支配关系,参考点也获得了一个适应度值。由此,在设计进化多目标优化算法的过程中,可将个体种群和参考点种群协同进化,二者互相促进,最终提高算法的收敛性。经验证该方法在高维多目标优化问题上依然有效。
Description
技术领域
本发明属于人工智能领域,特别涉及到的是智能优化算法设计领域。具体而言是一种针对多目标优化问题帕累托(Pareto)集的解个体优劣排序方法,适用于各类多目标智能优化算法,如多目标遗传算法、多目标粒子群、蚁群算法等。
背景技术
在日常生活、科学研究和工程实践中很多决策优化问题,如城市区域划分、网络优化、作业调度等都涉及到多个目标的优化,称为多目标优化问题(Multi-objective OptimizationProblem,MOP)。通常在MOP中,多个优化目标是耦合在一起且处于相互竞争的状态,即某个目标的改善可能引起其他目标性能的降低。不同于单目标优化问题,针对MOP一般不存在一个解能够使所有目标同时达到最优,MOP的解通常是一组Pareto最优解。决策者可根据实际情况或个人偏好选择一个解作为最终实施方案。
传统处理MOP的方法是将多个目标函数通过偏好加权转化为单目标优化问题。其缺陷主要有:1)决策者很难对问题有全面的理解,因而不易获取准确的偏好权重;2)一旦决策者的偏好改变,只能重新进行优化搜索。智能多目标优化方法(Multi-objective evolutionaryalgorithms,MOEAs),基于种群进化的思想,一次搜索能获得一组Pareto解,无需在验前提供决策者的偏好权重,有效地避免了传统加权方法的缺陷,更适用于实际决策情况,因而近些年被广泛应用。
MOEAs模拟自然界生物的进化过程,通过选择、交叉、变异等操作,不断地寻找更优的解。图1给出一个典型的MOEA算法流程,包括初始化种群个体、个体适应度分配、选择、交叉和变异,种群合并与筛选等操作。其中重要的步骤就是个体适应度分配,也就是对个体优劣的排序,正是本发明针对的部分。
Pareto支配关系是目前广泛应用的进行个体优劣排序的方法。以最小化问题为例,我们称个体x支配个体y,记作x<y,当且仅当
基于Pareto支配关系的优劣排序在二或三目标优化问题中是有效的,然而随着目标个数的增加,Pareto支配关系逐渐失效,即绝大多数的个体都变得非支配(位于第一Pareto非支配层)。其原因如下:随机生成两个数a,b,那么a<b的概率为0.5,由此对于m维的两个向量F(x)=[f1(x),f2(x),...,fm(x)]和F(y)=[f1(y),f2(y),...,fm(y)],F(x)支配F(y)的概率为(0.5)m。显然,随着目标维数的增加,随机生成的两个个体之间存在支配关系的概率越来越小。图2显示了随机生成的100个体中,Pareto最优前沿的个体数随目标维数增长急剧增加。
因此,为使智能多目标优化方法能够处理目标个数较多优化问题(称为高维多目标优化问题),必须设计一种有效的个体优劣排序方法。
发明内容
本发明要解决的技术问题是对Pareto集个体优劣排序,即个体适应度计算。适应度大的个体优于适应度小的个体。传统的Pareto支配关系无法应用到高维多目标优化问题中,针对这一缺陷,本发明提出了一种针对高维多目标优化问题的Pareto集个体排序方法,它是一种基于协同进化思想的个体适应度计算方法。该方法引入了参考点,通过衡量Pareto集个体相对于参考点的支配关系,间接地得到Pareto集个体优劣。
本发明的技术方案是:
一种针对高维多目标优化问题的Pareto集个体排序方法,其步骤如下:
(1)Pareto集个体归一化:针对当前所产生的Pareto集个体(solutions),获取每一个目标函数fi的最大值,max(fi)和最小值,min(fi),然后依据公式(1)将个体目标函数值转换到区间[0,1]。
(2)将个体进行非劣分层:首先根据Pareto支配关系,将所有非支配个体都分配到第一层,其次将这些个体移除,将剩余个体中的非支配个体分配到第二层,如此重复直至所有个体都非配到相应的非劣层,如图2所示;
(3)生成参考点集(记为R):将参考点的上下界可以设定为:upper=(1.2,1.2,...,1.2)设置为参考点的上界,lower=(0,0,...,0)设置为参考点的下界,在由上下界确定的超立方体内随机生成一组参考点;
(4)个体与参考点的支配关系统计:遍历每一组个体与参考点,确定他们之间的Pareto支配关系。同时假设每个参考点携带1个积分,若某一参考点仅被一个个体支配,那么它的积分全部分配给该个体;若参考点被多个(如k)个体支配,那么它的积分平均分配给这k个个体,即每个个体得到1/k积分。由此得到个体的初始适应度计算公式,如(2)所示;
其中p表示个体,r表示参考点,nr表示参考点被个体支配的个数,个体初始适应度值等于该个体能够支配的所有参考点赋予其的积分,若个体不能支配任何参考点,那么若某个参考点被nr个个体支配,则该参考点的积分为若nr为0,即该参考点不被任何个体支配(无效参考点),那么其适应度为0。
相应地,对于参考点,若其被k个支配,则得到积分1/k,若不被任何个体支配,则得到积分0。由此得到参考点的适应度其计算公式,如(3)所示;
(5)个体适应度的修正:结合个体所处的非劣层,依据式(4)修正在步骤(4)中计算得到的个体适应度值。保证第i非劣层个体的适应度值高于第i+1非劣层个体的适应度。
其中rnki表示个体pi所处的非劣层。
本发明中:所述步骤(3)中参考点上下界可以依据当前所获得的所有非支配解来生成,具体而言,非支配解在各个目标上的最大值组成的点作为上界。非支配解在各个目标上的最小值组成的点作为下界。当然为了尽可能多的生成有效的参考点(若参考点不被任何解支配,那么由步骤(4)可知,该参考点对于区分解的优劣是没有帮助的,因而称为无效的参考点),可以直接用非支配解集作为下界。
本发明的有益技术效果是:
(1)个体的优劣不是基于个体间的直接比较,而是通过个体与同一参考点种群的支配关系,间接地确定。
(2)处于同一非劣层的个体,依靠个体所得的积分,可以进一步细分。成功化解了在高维多目标问题中,标准Pareto支配关系失效的问题。
(3)该适应度计算简单有效,特别是其计算复杂度远低于超体积(Hypervolume)的计算复杂度,能够有效地应用在高维多目标优化算法设计中。
(4)该适应度计算方法中涉及到了两个种群,即解集和参考点集。两个种群可同时进行演化,互相促进,进一步提高该适应度分配方法在算法中的有效性。
附图说明
图1典型的智能多目标优化算法流程图
图2个体Pareto非劣分层示意图
图3第一非劣层个体形成的attainment surface示意图
图4种群个体与参考点之间的支配关系示意图
具体实施方式
假设当前搜索过程中,已得到一组解集P,其目标函数值为{(0.5,4),(1.5,3),(2,2),(3,1),(4,0.5),(2,3.5),(3.5,2),(3,3),(3,3.5),(4,3)}(N=10),如图2所示,下面以此为例,介绍本发明针对高维多目标优化问题的Pareto集个体排序方法的具体实施步骤:
步骤一、依据式(1)将当前解集种群归一化到区间[0,1]。这里max(fi)=3.5,min(fi)=1,由此得到的归一化个体目标函数值数据为:{(0,1),(0.2587,0.7143),(0.4286,0.4286),(0.7143,0.1429),(1,0),(0.4286,0.8571),(0.8571,0.4286),(0.7143,0.7143)(1.0000,0.7143),(0.7143,0.8571)}。
步骤二、将个体进行非劣分层,具体方法如下,首先将所有非支配个体都分配到第一层,即F1={(0,1),(0.2587,0.7143),(0.4286,0.4286),(0.7143,0.1429),(1,0)};其次将这些个体移除,得到个体集P\F1,将该集合中的非支配个体分配到第二层,如此重复直至所有个体都非配到相应的非劣层,如图2所示。
步骤三、确定参考点种群R的上下界,随机生成指定数量(如Nr=N=10)的参考点。在步骤一中已将个体目标值转化到[0,1]区间,因而参考点的上下界可以设定为:upper=(1.2,1.2,...,1.2),lower=(0,0,...,0)。注意参考的上下界必须将所有个体都包含在内,即上界必须大于1。针对下界,如前所述,亦可使用第一非劣层个体F1构成的attainment surface(如图3)作为下界。假设生成的参考点为{(1.0209,0.7351),(0.6727,1.1879),(1.1155,0.6332),(0.8360,0.5754),(0.6993,0.9616),(0.9785,0.2734),(1.0548,0.5977),(1.1867,1.0810),(0.0006,0.6896),(1.0385,1.0142)}。由此得到个体与参考点之间的支配关系,如图4所示。
步骤四、统计个体与参考点之间的支配关系,若个体pi支配参考点ri在,Sij=1,否则Sij=0。由此得到种群P和R的支配关系矩阵,如表1。
表1个体与参考点的支配关系矩阵
步骤五、依据式(2)和(3)分别计算个体初始适应度和参考点的适应度。以个体p1为例,其可以支配r2,r8,r10,其中由此我们得到以参考点r1为例,其被7个个体支配,由此由此得到个体p1到p10的初始适应度分别为{0.4500,0.9262,1.9262,2.3429,0.8429,0.7833,0.8429,0.3429,0.3429,0.2000};参考点r1到r10适应度分别为{0.1429,0.2500,0.2500,0.5000,0.3333,1.0000,0.2500,0.1000,0,0.1000}。
步骤六、结合个体所处的非劣层,依据式(4)修正个体适应度值。式(4)保证了位于第i非劣层的个体适应度一定高于位于第i+1非劣层的个体适应度,如第一层个体适应度处于区间[1,2],第二层个体适应度处于区间[1/4,1/2]。同时,同一非劣层内的个体适应度遵循式(2)中确定的大小次序关系。因此,个体p1到p10最终的适应度依次为{1.5017,1.5950,1.7105,1.7415,1.5812,0.5758,0.5878,0.4755,0.1441,0.1191}。
由此,在未使用本发明时,基于Pareto支配关系的个体优劣排序为:p1=p2=p3=p4=p5>p6=p7=p8>p9=p10;使用本发明后,由个体适应度可以得到个体的优劣排序为p4>p3>p2>p5>p1>p7>p6>p8>p9>p10。该排序没有违反基于Pareto支配关系的排序,即位于第一非劣层的个体仍然优于位于第二非劣层的个体。另注意修正个体适应度值之后,不同非劣层个体间的适应度差异,不再适用于用判断个体优于另一个体的程度,仅可作为个体优劣排序使用。
本发明的效果可以通过以下仿真实验进一步说明:
实验条件:在CPU为core2 2.26GHZ、内存2G、WINDOW7系统上使用MATLAB2010进行仿真。
实验内容:比较基于本发明的MOEA(记作MOEA1)和基于单纯Pareto非劣分层方法的MOEA(记作MOEA2)在求解2、3、4和9目标DTLZ2问题上的表现。DTLZ是多目标优化算法的基准测试问题,具体定义如下。
其中,Xm={xm,xm+1,...,xn}
DTLZ2问题的Pareto最优前沿是一个以1为半径的超球面,更具体的,Pareto最优前沿上的点x满足xi≥0
使用Generational Distance(GD)和Hyper-volume(HV)作为算法比较的评价指标。GD衡量算法搜索到达Pareto非劣解距离Pareto最优前沿的距离,GD越小越好;HV测量算法搜索得到的Pareto非劣解与一个指定的参考点(一般为nadir点)构成的体积,HV越大越好,它可同时衡量Pareto非支配解集的收敛性和分布性。GD和HV是本领域公知的常用指标,这里不再具体叙述。
两个算法的参数设置如下:种群个数:N=100,运行代数:maxGen=250,交叉算子:SBX(pc=0.9,ηc=20)变异算子:PM(pm=0.01,ηm=15)。另外,对于MOEA1中的参考点个数:Np=100。针对每一个问题,MOEA1和MOEA2各独立运行100次,然后针对每一次运行得到的Pareto非支配解,计算GD和HV指标值。注意在计算HV的参考点取(1.2,1.2,...,1.2)。表2列出了指标的平均值和方差。
表2基于GD和HV的MOEA1和MOEA2算法性能比较结果。
“+”、“-”和“=”分别表示MOEA1在95%的显著性水平下性能优于、劣于和等于MOEA2。
从表2可以看出,基于本发明的MOEA1算法无论是在GD还是在HV评价指标下,表现都要优于MOEA2算法。由此证明了本发明中所提出的个体优劣排序方法是有效的,能有应用于求解高维多目标优化问题。
综上所述,虽然本发明已以较佳实施揭露如上,然其并非用以限定本发明,任何本领域普通技术人员,在不脱离本发明的精神和范围内,当可作各种更动与润饰,因此本发明的保护范围当视权利要求书界定的范围为准。
Claims (1)
1.一种针对高维多目标优化问题的Pareto集个体排序方法,其特征在于包括以下步骤:
(1)Pareto集个体归一化:针对当前所产生的Pareto集个体,获取每一个目标函数fi的最大值,max(fi)和最小值,min(fi),然后依据公式(1)将个体目标函数值转换到区间[0,1];
(2)将个体进行非劣分层:首先根据Pareto支配关系,将所有非支配个体都分配到第一层,其次将这些个体移除,将剩余个体中的非支配个体分配到第二层,如此重复直至所有个体都非配到相应的非劣层;
(3)生成参考点集(记为R):将参考点的上下界设定为:upper=(1.2,1.2,...,1.2)设置为参考点的上界,lower=(0,0,...,0)设置为参考点的下界,在由上下界确定的超立方体内随机生成一组参考点;
(4)个体与参考点的支配关系统计:遍历每一组个体与参考点,确定他们之间的Pareto支配关系;同时假设每个参考点携带1个积分,若某一参考点仅被一个个体支配,那么它的积分全部分配给该个体;若参考点被多个个体支配,那么它的积分平均分配给这k个个体,即每个个体得到1/k积分;由此得到个体的初始适应度计算公式,如(2)所示;
其中p表示个体,r表示参考点,nr表示参考点被个体支配的个数,个体初始适应度值等于该个体能够支配的所有参考点赋予其的积分,若个体不能支配任何参考点,那么Fpi=0;若某个参考点被nr个个体支配,则该参考点的积分为若nr为0,即该参考点不被任何个体支配,那么其适应度为0;
相应地,对于参考点,若其被k个支配,则得到积分1/k,若不被任何个体支配,则得到积分0;由此得到参考点的适应度其计算公式,如(3)所示;
(5)个体适应度的修正:结合个体所处的非劣层,依据式(4)修正在步骤(4)中计算得到的个体适应度值,保证第i非劣层个体的适应度值高于第i+1非劣层个体的适应度;
其中rnki表示个体pi所处的非劣层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510187467.6A CN104778368A (zh) | 2015-04-20 | 2015-04-20 | 一种针对高维多目标优化问题的Pareto集个体排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510187467.6A CN104778368A (zh) | 2015-04-20 | 2015-04-20 | 一种针对高维多目标优化问题的Pareto集个体排序方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104778368A true CN104778368A (zh) | 2015-07-15 |
Family
ID=53619828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510187467.6A Pending CN104778368A (zh) | 2015-04-20 | 2015-04-20 | 一种针对高维多目标优化问题的Pareto集个体排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778368A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874611A (zh) * | 2017-02-27 | 2017-06-20 | 北京航空航天大学 | 一种基于超体积迭代策略的含区间参数结构响应区间的分析方法 |
CN107909194A (zh) * | 2017-11-07 | 2018-04-13 | 电子科技大学 | 系统级测试性设计多目标优化方法 |
CN108363303A (zh) * | 2018-03-09 | 2018-08-03 | 重庆科技学院 | 基于ar偏好信息的差分进化铝电解多目标优化方法 |
CN108764676A (zh) * | 2018-05-17 | 2018-11-06 | 南昌航空大学 | 一种高维多目标评价方法及系统 |
CN112825269A (zh) * | 2019-11-20 | 2021-05-21 | 天津大学 | 一种气化工艺设计方法、装置、设备及存储介质 |
-
2015
- 2015-04-20 CN CN201510187467.6A patent/CN104778368A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874611A (zh) * | 2017-02-27 | 2017-06-20 | 北京航空航天大学 | 一种基于超体积迭代策略的含区间参数结构响应区间的分析方法 |
CN107909194A (zh) * | 2017-11-07 | 2018-04-13 | 电子科技大学 | 系统级测试性设计多目标优化方法 |
CN108363303A (zh) * | 2018-03-09 | 2018-08-03 | 重庆科技学院 | 基于ar偏好信息的差分进化铝电解多目标优化方法 |
CN108363303B (zh) * | 2018-03-09 | 2020-09-04 | 重庆科技学院 | 基于ar偏好信息的差分进化铝电解多目标优化方法 |
CN108764676A (zh) * | 2018-05-17 | 2018-11-06 | 南昌航空大学 | 一种高维多目标评价方法及系统 |
CN108764676B (zh) * | 2018-05-17 | 2020-10-30 | 南昌航空大学 | 一种高维多目标评价方法及系统 |
CN112825269A (zh) * | 2019-11-20 | 2021-05-21 | 天津大学 | 一种气化工艺设计方法、装置、设备及存储介质 |
CN112825269B (zh) * | 2019-11-20 | 2022-11-04 | 天津大学 | 一种气化工艺设计方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778368A (zh) | 一种针对高维多目标优化问题的Pareto集个体排序方法 | |
CN108280553A (zh) | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 | |
CN109118067A (zh) | 一种可再生能源发展潜力评估方法 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN104951834A (zh) | 基于遗传算法和粒子群集成的lssvm风速预测方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN106845642A (zh) | 一种带约束云工作流调度的自适应多目标进化方法 | |
CN112749904A (zh) | 基于深度学习的配电网故障风险预警方法及系统 | |
CN104765690A (zh) | 基于模糊遗传算法的嵌入式软件测试数据生成方法 | |
CN116070886B (zh) | 水资源系统多维适应性调控方法及系统 | |
CN111163487B (zh) | 通信波形综合传输性能评价方法及系统 | |
CN112711896B (zh) | 一种考虑多源预报误差不确定性的复杂水库群优化调度方法 | |
CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
CN105868906A (zh) | 一种优化的区域发展成熟度分析方法 | |
CN103353895A (zh) | 一种配电网线损数据的预处理方法 | |
CN110458722A (zh) | 基于多目标随机向量函数连接网络的洪水区间预报方法 | |
CN104463369A (zh) | 一种分布式电源选址与定容优化方法及系统 | |
CN105956715A (zh) | 一种土壤墒情预测方法及装置 | |
CN108830405A (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
CN102708298B (zh) | 一种车载通信系统电磁兼容指标分配方法 | |
CN115034608A (zh) | 基于配网要素和神经网络的配网风险评估方法 | |
CN102663230A (zh) | 一种基于遗传算法的土地资源评价因子级别划分方法 | |
CN109685338A (zh) | 一种基于博弈论的配电网可靠性指标权重集结方法 | |
CN115271221A (zh) | 一种城市扩展预测方法、装置、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150715 |
|
RJ01 | Rejection of invention patent application after publication |