CN114117938A - 一种基于nsga-ⅱ框架的自适应多目标优化算法 - Google Patents
一种基于nsga-ⅱ框架的自适应多目标优化算法 Download PDFInfo
- Publication number
- CN114117938A CN114117938A CN202111489493.6A CN202111489493A CN114117938A CN 114117938 A CN114117938 A CN 114117938A CN 202111489493 A CN202111489493 A CN 202111489493A CN 114117938 A CN114117938 A CN 114117938A
- Authority
- CN
- China
- Prior art keywords
- population
- objective optimization
- algorithm
- nsga
- framework
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于多目标优化的技术领域,提供了一种基于NSGA‑Ⅱ框架的自适应多目标优化算法,包括以下步骤:步骤1:在多目标优化问题的决策变量空间内随机生成NP个个体,构成初始种群Pt;步骤2:计算Pt中每个个体在多目标上的适应度函数值;步骤3:对种群Pt进行快速非支配排序和马氏拥挤密度估计;步骤4:对种群Pt进行二元锦标赛选择、变异、标准DE算法中的交叉操作生成子代种群Ct;步骤5:合并父代种群Pt和子代种群Ct形成种群Rt;步骤6:利用精英选择策略对种群Rt进行剪切形成新父代种群Pt+1;步骤7:如果算法进化迭代次数t达到预定最大迭代次数,终止算法,输出非支配解集Q;否则,跳转至步骤2。
Description
技术领域
本发明属于多目标优化的技术领域,尤其涉及一种基于NSGA-Ⅱ框架的自适应多目标优化算法。
背景技术
多目标优化问题的求解目标为收敛到目标搜索空间中的Pareto最优解集或称非支配解集,使其尽可能逼近真实的Pareto最优前沿,并尽可能分布均匀而广泛;相较于单目标优化问题,多目标优化问题的求解难度更大。
多目标进化算法本质上仍然遵循进化算法的基本框架流程,需要通过采用一定的进化策略实现种群进化迭代,从而获得目标空间中的Pareto最优解集。进化策略一方面需要有效利用种群中的优秀个体引导子代个体向目标空间中更优的方向搜索;另一方面需要保持子代种群个体的多样性,防止种群陷入局部最优,因此进化策略的性能优劣对多目标优化算法具有重要影响。目前常用的进化策略包括GA、PSO算法以及EDA算法等,大量研究实验证明用DE算法作为进化策略的多目标优化算法具有相对较好的性能,基于DE算法的多目标优化算法是进化多目标优化领域目前最前沿的研究方向。
然而,现有算法如NSGA-Ⅱ、NSGA-Ⅲ、SPEA、PAES、MOPSO等普遍存在取得的近似最优解集不够逼近真实Pareto最优前沿、解集分布不均匀或覆盖不完整、稳定性差等问题。
为避免上述技术问题,确有必要提供一种基于NSGA-Ⅱ框架的自适应多目标优化算法以克服现有技术中的所述缺陷。
发明内容
本发明的目的在于提供一种基于NSGA-Ⅱ框架的自适应多目标优化算法,旨在解决现有算法如NSGA-Ⅱ、NSGA-Ⅲ、SPEA、PAES、MOPSO等普遍存在取得的近似最优解集不够逼近真实Pareto最优前沿、解集分布不均匀或覆盖不完整、稳定性差等问题。
本发明是这样实现的,一种基于NSGA-Ⅱ框架的自适应多目标优化算法,包括以下步骤:
步骤1:在多目标优化问题的决策变量空间内随机生成NP个个体,构成初始种群Pt;
步骤2:计算Pt中每个个体在多目标上的适应度函数值;
步骤3:对种群Pt进行快速非支配排序和马氏拥挤密度估计;
步骤4:对种群Pt进行二元锦标赛选择、变异、标准DE算法中的交叉操作生成子代种群Ct;
步骤5:合并父代种群Pt和子代种群Ct形成种群Rt,对其进行快速非支配排序和马氏拥挤密度估计;
步骤6:利用精英选择策略对种群Rt进行剪切形成新父代种群Pt+1;
步骤7:如果算法进化迭代次数t达到预定最大迭代次数,终止算法,输出非支配解集Q;否则,跳转至步骤2。
进一步的技术方案,所述步骤3和步骤5中的马氏拥挤密度估计方法如下:
给定一个目标空间P,P=[xij]m×n,xij为P中的第i行、第j列的元素,m为自变量个数,n为种群个数;其协方差矩阵记作S;目标空间中样本xi与目标空间中样本xj之间的马氏距离dij定义为:
其中,xi=(x1i,x2i,…,xmi)T,xj=(x1j,x2j,…,xmj)T
对于种群中的第i个个体,假设目标空间中与其距离值最近的两个个体的马氏距离值为d1,d2,则该个体在种群中的拥挤密度距离:
d=1/(1/d1+1/d2)。
进一步的技术方案,所述步骤4中的变异策略如下:
其中,Xi为目标个体,Vi为变异后个体,Xr1、Xr2、Xr3、Xr4、Xr5为种群中不同于Xi的随机个体;如果Xi在当前种群中为被支配个体,则Xbest从支配Xi的个体集合中随机选择,若Xi在当前种群中为非支配个体,则Xbest从当前种群中所有非支配个体拥挤密度最小的前5个个体中随机选择;r为贪心因子,F为缩放因子,pc为选择概率因子;
②Vij=Vij+Δj,j=1,2,…,m
其中,Vij为Vi中的第j列元素;
综上,该步骤中的变异策略为种群中目标个体Xi经过公式①和②的变异方法后生成变异个体Vi。
进一步的技术方案,基于NSGA-Ⅱ框架的自适应多目标优化算法所需要的pc、r、F、CR自适应参数设定如下:
pc=0.5-t/(2Gen)
r=0.5exp(-2(1-t/Gen))+0.3
F=0.8(2-exp(t/2Gen))+0.15randn()
CR=0.4(1-t/Gen)+0.4+0.1randn()
其中randn()为产生标准正态分布的随机数,t为种群进化代数,Gen为最大进化代数,pc为选择概率因子,r为贪心因子,F为缩放因子,CR为标准DE算法中的交叉概率因子。
相较于现有技术,本发明的有益效果如下:
本发明提供的一种基于NSGA-Ⅱ框架的自适应多目标优化算法,本发明通过NSGA-Ⅱ的快速非支配排序和精英选择策略,以及对个体密度估计方法、变异策略和参数自适应控制策略等方面进行综合改进,有效提升了算法的收敛性和解集分布性,使算法能在保证收敛到真实Pareto前沿的同时,获得分布更均匀、覆盖范围更广的近似Pareto最优解集。
附图说明
图1为本发明流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1所示,一种基于NSGA-Ⅱ框架的自适应多目标优化算法,包括以下步骤:
步骤1:在多目标优化问题的决策变量空间内随机生成NP个个体,构成初始种群Pt;
步骤2:计算Pt中每个个体在多目标上的适应度函数值;
步骤3:对种群Pt进行快速非支配排序和马氏拥挤密度估计,马氏拥挤密度估计方法具体如下:
给定一个目标空间P,P=[xij]m×n,xij为P中的第i行、第j行的元素,m为自变量个数,n为种群个数;其协方差矩阵记作S;目标空间中样本xi与目标空间中样本xj之间的马氏距离dij定义为:
其中,xi=(x1i,x2i,…,xmi)T,xj=(x1j,x2j,…,xmj)T
对于种群中的第i个个体,假设目标空间中与其距离值最近的两个个体的马氏距离值为d1,d2,则该个体在种群中的拥挤密度距离:
d=1/(1/d1+1/d2)。
步骤4:对种群Pt进行二元锦标赛选择、变异、标准DE算法中的交叉操作生成子代种群Ct,改进变异策略如下:
其中,Xi为目标个体,Vi为变异后个体,Xr1、Xr2、Xr3、Xr4、Xr5为种群中不同于Xi的随机个体;如果Xi在当前种群中为被支配个体,则Xbest从支配Xi的个体集合中随机选择,若Xi在当前种群中为非支配个体,则Xbest从当前种群中所有非支配个体拥挤密度最小的前5个个体中随机选择;r为贪心因子,F为缩放因子,pc为选择概率因子。
②Vij=Vij+Δj,j=1,2,…,m
其中,Vij为Vi中的第j列元素;
综上,该步骤中的变异策略为种群中目标个体Xi经过公式①和②的变异方法后生成变异个体Vi。
伪代码具体如下:
步骤5:合并父代种群Pt和子代种群Ct形成种群Rt,对其进行快速非支配排序和马氏拥挤密度估计;
步骤6:利用精英选择策略对种群Rt进行剪切形成新父代种群Pt+1;
步骤7:如果算法进化迭代次数t达到预定最大迭代次数,终止算法,输出非支配解集Q;否则,跳转至步骤2;
算法所需要的pc、r、F、CR自适应参数设定如下:
pc=0.5-t/(2Gen)
r=0.5exp(-2(1-t/Gen))+0.3
F=0.8(2-exp(t/2Gen))+0.15randn()
CR=0.4(1-t/Gen)+0.4+0.1randn()
其中randn()为产生标准正态分布的随机数,t为种群进化代数,Gen为预定最大进化代数,pc为选择概率因子,r为贪心因子,F为缩放因子,CR为标准DE算法中的交叉概率因子。
本发明通过NSGA-Ⅱ的快速非支配排序和精英选择策略,以及对个体密度估计方法、变异策略和参数自适应控制策略等方面进行综合改进,有效提升了算法的收敛性和解集分布性,使算法能在保证收敛到真实Pareto前沿的同时,获得分布更均匀、覆盖范围更广的近似Pareto最优解集。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于NSGA-Ⅱ框架的自适应多目标优化算法,其特征在于,包括以下步骤:
步骤1:在多目标优化问题的决策变量空间内随机生成NP个个体,构成初始种群Pt;
步骤2:计算Pt中每个个体在多目标上的适应度函数值;
步骤3:对种群Pt进行快速非支配排序和马氏拥挤密度估计;
步骤4:对种群Pt进行二元锦标赛选择、变异、标准DE算法中的交叉操作生成子代种群Ct;
步骤5:合并父代种群Pt和子代种群Ct形成种群Rt,对其进行快速非支配排序和马氏拥挤密度估计;
步骤6:利用精英选择策略对种群Rt进行剪切形成新父代种群Pt+1;
步骤7:如果算法进化迭代次数t达到预定最大迭代次数,终止算法,输出非支配解集Q;否则,跳转至步骤2。
3.根据权利要求2所述的基于NSGA-Ⅱ框架的自适应多目标优化算法,其特征在于,对于种群中的第i个个体,假设目标空间中与其距离值最近的两个个体的马氏距离值为d1,d2,则该个体在种群中的拥挤密度距离:
d=1/(1/d1+1/d2)。
5.根据权利要求4所述的基于NSGA-Ⅱ框架的自适应多目标优化算法,其特征在于,Xi为目标个体,Vi为变异后个体,Xr1、Xr2、Xr3、Xr4、Xr5为种群中不同于Xi的随机个体;如果Xi在当前种群中为被支配个体,则Xbest从支配Xi的个体集合中随机选择,若Xi在当前种群中为非支配个体,则Xbest从当前种群中所有非支配个体拥挤密度最小的前5个个体中随机选择;r为贪心因子,F为缩放因子,pc为选择概率因子。
6.根据权利要求1所述的基于NSGA-Ⅱ框架的自适应多目标优化算法,其特征在于,基于NSGA-Ⅱ框架的自适应多目标优化算法所需要的pc、r、F、CR自适应参数设定如下:
pc=0.5-t/(2Gen)
r=0.5exp(-2(1-t/Gen))+0.3
F=0.8(2-exp(t/2Gen))+0.15randn()
CR=0.4(1-t/Gen)+0.4+0.1randn()
其中randn()为产生标准正态分布的随机数,t为种群进化代数,Gen为最大进化代数,pc为选择概率因子,r为贪心因子,F为缩放因子,CR为标准DE算法中的交叉概率因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111489493.6A CN114117938A (zh) | 2021-12-08 | 2021-12-08 | 一种基于nsga-ⅱ框架的自适应多目标优化算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111489493.6A CN114117938A (zh) | 2021-12-08 | 2021-12-08 | 一种基于nsga-ⅱ框架的自适应多目标优化算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114117938A true CN114117938A (zh) | 2022-03-01 |
Family
ID=80367457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111489493.6A Pending CN114117938A (zh) | 2021-12-08 | 2021-12-08 | 一种基于nsga-ⅱ框架的自适应多目标优化算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114117938A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997068A (zh) * | 2022-07-04 | 2022-09-02 | 东南大学溧阳研究院 | 基于改进nsga-ⅱ的配电网三相不平衡多目标优化方法 |
CN115828734A (zh) * | 2022-11-06 | 2023-03-21 | 江苏天成科技集团有限公司 | 一种基于改进nsga2算法的低碳饲料配方方法 |
CN116882293A (zh) * | 2023-07-18 | 2023-10-13 | 广东明阳电气股份有限公司 | 变压器多目标优化方法、装置及存储介质 |
-
2021
- 2021-12-08 CN CN202111489493.6A patent/CN114117938A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997068A (zh) * | 2022-07-04 | 2022-09-02 | 东南大学溧阳研究院 | 基于改进nsga-ⅱ的配电网三相不平衡多目标优化方法 |
CN115828734A (zh) * | 2022-11-06 | 2023-03-21 | 江苏天成科技集团有限公司 | 一种基于改进nsga2算法的低碳饲料配方方法 |
CN115828734B (zh) * | 2022-11-06 | 2023-11-28 | 江苏天成科技集团有限公司 | 一种基于改进nsga2算法的低碳饲料配方方法 |
CN116882293A (zh) * | 2023-07-18 | 2023-10-13 | 广东明阳电气股份有限公司 | 变压器多目标优化方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114117938A (zh) | 一种基于nsga-ⅱ框架的自适应多目标优化算法 | |
Kronholm et al. | Epigenetic mutations can both help and hinder adaptive evolution | |
CN109635506B (zh) | 自适应混沌树和种子算法的光伏电池模型参数辨识方法 | |
CN110163410B (zh) | 一种基于神经网络-时间序列的线损电量预测方法 | |
Li et al. | Short-term economic environmental hydrothermal scheduling using improved multi-objective gravitational search algorithm | |
CN106779177A (zh) | 基于粒子群优化的多分辨率小波神经网络用电量预测方法 | |
CN108229755A (zh) | 基于改进二进制入侵杂草优化算法的主动配电网网架规划 | |
CN111900725A (zh) | 一种电动汽车充电站与光伏发电站的协同互动方法和系统 | |
CN114706445A (zh) | 基于de-gwo算法的光伏最大功率点跟踪方法 | |
CN114444755A (zh) | 一种风电短期功率预测方法、装置及可读存储介质 | |
CN113937808A (zh) | 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法 | |
CN114723217B (zh) | 碳中和目标下的综合能源供给侧配置方法和系统 | |
CN116108982A (zh) | 一种水库群多目标调度合作搜索方法及系统 | |
Santantonio et al. | A hybrid optimal contribution approach to drive short-term gains while maintaining long-term sustainability in a modern plant breeding program | |
CN115600725A (zh) | 一种基于ceemdan-igwo-n-beats的风电场超短期风向预测方法 | |
CN110084360B (zh) | 一种基于ga-bp的mvb周期实时性改进算法 | |
CN108964134B (zh) | 基于面积灰色关联决策的分布式电源规划的概率分析方法 | |
CN113919871A (zh) | 一种基于改进lstm模型的碳交易价格预测方法 | |
CN113141272A (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
CN111756819A (zh) | 基于改进免疫遗传的物联网资源调度优化运行方法 | |
Zhang et al. | A new reduced space searching algorithm (RSSA) and its application in optimal design of alloy steels | |
CN117873277B (zh) | 一种适用于集中式温差发电系统的mppt控制方法 | |
Cao et al. | An improved method for Bayesian network structure learning | |
CN111178625A (zh) | 一种数据处理方法及装置 | |
CN114662387B (zh) | 基于gan的低碳经济园区的风光储能优化方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |