CN115470704A - 一种动态多目标优化方法、装置、设备和计算机可读介质 - Google Patents
一种动态多目标优化方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN115470704A CN115470704A CN202211129049.8A CN202211129049A CN115470704A CN 115470704 A CN115470704 A CN 115470704A CN 202211129049 A CN202211129049 A CN 202211129049A CN 115470704 A CN115470704 A CN 115470704A
- Authority
- CN
- China
- Prior art keywords
- event
- original
- optimal set
- learning
- model
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000013016 learning Effects 0.000 claims abstract description 60
- 230000007613 environmental effect Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000009326 social learning Effects 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 94
- 230000006870 function Effects 0.000 claims description 43
- 230000035772 mutation Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 34
- 238000012360 testing method Methods 0.000 description 34
- 230000008569 process Effects 0.000 description 14
- 210000003127 knee Anatomy 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101000928408 Homo sapiens Protein diaphanous homolog 2 Proteins 0.000 description 1
- 101000828537 Homo sapiens Synaptic functional regulator FMR1 Proteins 0.000 description 1
- 229910019188 POF2 Inorganic materials 0.000 description 1
- 102100036469 Protein diaphanous homolog 2 Human genes 0.000 description 1
- 102100023532 Synaptic functional regulator FMR1 Human genes 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 201000003723 learning disability Diseases 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种动态多目标优化方法、装置、设备和计算机可读介质，属于计算机技术领域。方法包括：获取多目标优化事件的事件信息，包括：环境信息和历史信息；建立多目标优化事件的事件模型；根据环境信息检测多目标优化事件的环境是否变化；若多目标事件的环境发生变化，则根据历史信息和环境信息，基于两种预测策略计算事件模型的原始帕累托最优集；将原始帕累托最优集输入至社会学习优化模型进行学习训练，计算事件模型的目标帕累托最优集，目标帕累托最优集为多目标事件的最优集。本发明实施例公开的技术方案提高了动态多目标优化方法对环境变化的适应能力，在环境变化后仍能准确获得解决方案。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种动态多目标优化方法、装置、设备和计算机可读介质。
背景技术
工业生产和科学计算中的很多问题(比如：云计算任务调度、光伏组件冷却、选矿工艺操作、最优控制器动态设计等)都可以归纳为多目标优化问题(Multi-objectiveOptimization Problems,MOPs)。这类问题受生产工况、运行环境等动态因素的影响，使其目标函数、约束条件等随着时间与环境的变化而具有较强的动态性，从而导致该类问题的解方案通常不会长期有效，进而要求其求解方法应具有快速跟踪问题变化的能力。
当前，已有的动态多目标优化方法可以概述为三类，：基于多样性增强策略的动态多目标优化算法、基于记忆机制的动态多目标优化算法以及基于预测策略的动态多目标优化算法。然而上述方法不能对复杂的环境变化做出快速有效的反应，单一的预测策略所产生的群体多样性较差，不能够快速有效地跟踪Pareto前沿，从而导致算法不能快速收敛。
发明内容
为了解决上述现有技术中存在的至少一个技术问题，本发明实施例提供了一种动态多目标优化方法、装置、设备和计算机可读介质。所述技术方案如下：
第一方面，提供了一种动态多目标优化方法，所述方法包括：
获取多目标优化事件的事件信息，包括：环境信息和历史信息；
建立所述多目标优化事件的事件模型；
根据所述环境信息检测所述多目标优化事件的环境是否变化；
若所述多目标事件的环境发生变化，则根据所述历史信息和所述环境信息，基于两种预测策略计算所述事件模型的原始帕累托最优集；
将所述原始帕累托最优集输入至社会学习优化模型进行学习训练，计算所述事件模型的目标帕累托最优集，所述目标帕累托最优集为所述多目标事件的最优集。
进一步地，所述若所述多目标事件的环境发生变化，则根据所述历史信息和所述环境信息，基于两种预测策略计算所述事件模型的原始帕累托最优集，包括：
利用代表性个体预测策略预测所述事件模型在不同时间的原始最优解；
根据所述事件模型在不同时间的最优解，利用拐点策略预测所述事件模型在相应时间的原始最优前沿；
将所述原始最优解、所述原始最优前沿以及所述事件模型的历史最优集，按照预设的第一混合策略生成所述事件模型的原始帕累托最优集，历史最优集包括：所述事件模型在历史时间的最优解和最优前沿。
进一步地，所述若所述多目标事件的环境发生变化，则根据所述历史信息和所述环境信息，基于两种预测策略计算所述事件模型的原始帕累托最优集，还包括：
利用随机生成策略随机生成所述事件模型的随机解集；
将所述原始最优解、所述原始最优前沿、所述事件模型的历史最优集和随机解集，按照预设的第二混合策略生成所述事件模型的原始帕累托最优集。
进一步地，所述利用代表性个体预测策略预测所述事件模型在不同时间的原始最优解，包括：
通过Clique网格聚类算法确定代表性个体，所述代表性个体为所述事件模型的解集；
计算不同时刻所述代表性个体的欧式距离，根据不同时刻所述代表性个体的欧式距离确定所述代表性个体的移动方向；
根据所述代表性个体的移动方向确定所述代表性个体是否为所述事件模型在不同时间的原始最优解。
进一步地，所述将所述原始帕累托最优集输入至社会学习优化模型进行学习训练，计算所述事件模型的目标帕累托最优集，包括：
将所述原始帕累托最优集输入至微空间，执行交叉操作和变异操作，获得第一集合；
将所述第一集合输入至学习空间进行学习训练，得到第二集合。
进一步地，所述将所述原始帕累托最优集输入至社会学习优化模型进行学习训练，计算所述事件模型的目标帕累托最优集，还包括：
将所述第二集合输入至信仰空间，执行更新操作，获得所述目标帕累托最优集。
进一步地，所述将所述第一集合输入至学习空间进行学习训练，得到第二集合，包括：
根据个体拥挤度距离，获得多个拥挤度距离符合距离要求的个体，与当前个体组成学习小组进行模仿学习；
基于正弦函数的扰动学习因子模拟个体进行观察学习。
第二方面，提供了一种动态多目标优化装置，所述装置包括：
信息获取模块，用于获取多目标优化事件的事件信息，包括：环境信息和历史信息；
模型建立模块，用于建立所述多目标优化事件的事件模型；
检测模块，用于根据所述环境信息检测所述多目标优化事件的环境是否变化；
预测模块，用于若所述多目标事件的环境发生变化，则根据所述历史信息和所述环境信息，基于两种预测策略计算所述事件模型的原始帕累托最优集；
训练模块，用于将所述原始帕累托最优集输入至社会学习优化模型进行学习训练，计算所述事件模型的目标帕累托最优集，所述目标帕累托最优集为所述多目标事件的最优集。
第三方面，提供了一种电子设备，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如第一方面任一所述的方法。
第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如第一方面任一所述的方法。
本发明实施例提供的技术方案带来的有益效果是：
(1)本发明实施例公开的技术方案提高了动态多目标优化方法对环境变化的适应能力，在环境变化后仍能准确获得解决方案。
(2)本发明实施例公开的技术方案中提出了一种新的基于代表性个体的预测策略，该策略首先通过Clique网格聚类算法确定代表性个体；其次，在基于代表性个性进行预测时，引入移动方向感知的奖惩因子，从而加快算法的收敛速度。
(3)本发明实施例公开的技术方案中提出了一种基于回归模型的拐点预测策略，该方法首先通过最小曼哈顿距离获取拐点，通过移动的历史信息，将拐点带入回归模型中，得到下一时刻拐点解，从而预测下一时刻整个Pareto解集的运动方向和位置。该方法既能充分预测种群下一时刻的运动方向，又能丰富新种群的多样性，能够有效避免算法陷入局部最优。
(4)本发明实施例公开的技术方案中针对社会学习优化算法，设计了适用于动态多目标优化问题的算子，结合所提出的混合预测策略与改进的社会学习优化算法，形成了一种新的动态多目标优化算法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的动态多目标优化方法流程图；
图2是动态环境中拐点移动方向示意图；
图3是群体结构示意图；
图4是交叉操作过程示意图；
图5是变异操作过程示意图；
图6是本发明实施例提供的动态多目标优化装置结构示意图；
图7是四种算法在FDA1测试函数上不同迭代次数的反向距离对比图；
图8是在t＝5时刻测试函数FDA2上算法的结果分布图；
图9是在t＝10时刻测试函数FDA2上算法的结果分布图；
图10是在t＝15时刻测试函数FDA2上算法的结果分布图；
图11是在t＝18时刻测试函数FDA2上算法的结果分布图；
图12是在t＝20时刻测试函数FDA2上算法的结果分布图；
图13是本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如背景技术所述工业生成和和科学计算中的很多问题都可以归纳为多目标优化问题，但由于其环境或者其他动态因素的变化影响，之前确定的最优解方案并不能适应多目标优化问题的变化，因此本发明实施例为了解决现有技术中存在的问题，提供了一种动态多目标优化方法、装置、设备和计算机可读介质，具体技术方案如下：
如图1所示，一种动态多目标优化方法，包括：
S1、获取多目标优化事件的事件信息，包括：环境信息和历史信息。
上述，环境信息和历史信息与具体的多目标优化事件相关，例如：若多目标优化事件为云资源调度，环境信息可以是资源、任务、需求等，历史信息可以是历史环境信息下的解。
S2、建立多目标优化事件的事件模型。
上述，动态多目标优化问题(DMOP)的数学模型可以表示如下，
一个具有n个决策变量，m个目标函数的DMOPs可描述为：
其中，f(x,t)＝{f1(x,t),f2(x,t),...,fm(x,t)}为n个目标函数构成的目标向量，gi(x,t)、hj(x,t)是问题的不等式约束和等式约束条件。t为离散时间序列，定义为：
其中nt、τ、τt分别表示变化的程度、迭代次数以及变化的频率；x＝(x1,x2,...,xn)表示n维决策向量即为目标函数F(x,t)的解，其定义域为Ω；m表示目标空间的维度，F＝(f1,f2,...,fn)表示被优化的m维目标向量，p和q分别表示等式约束与不等式约束的数量。
帕累托最优解(Pareto Optimal Set,POS)：
t时刻，不存在任何一个个体x'∈Rn支配个体x，那么x则为DMOP在t时刻的一个Pareto最优解。t时刻，DMOP的所有Pareto最优解构成了POSt，表示为：
帕累托最优前沿(Pareto Optimal Front,POF)：
t时刻，POSt在目标空间中的映射称为POFt，表示为：
POFt＝{F(x,t)|x∈POSt} (4)
S3、根据环境信息检测多目标优化事件的环境是否变化。
上述，检测环境信息是否变化与具体的应用场景相关。
S4、若多目标事件的环境发生变化，则根据历史信息和环境信息，基于两种预测策略计算事件模型的原始帕累托最优集。
上述，预测策略主要包括代表性个体预测策略和基于拐点的预测策略。原始帕累托最优集主要包括：帕累托最优解(POS)和帕累托最优前沿(POF)。
在一个实施例中，步骤S4包括：
利用代表性个体预测策略预测事件模型在不同时间的原始最优解；
根据事件模型在不同时间的最优解，利用拐点策略预测事件模型在相应时间的原始最优前沿；
将原始最优解、原始最优前沿以及事件模型的历史最优集，按照预设的第一混合策略生成事件模型的原始帕累托最优集，历史最优集包括：事件模型在历史时间的最优解和最优前沿。
上述，对于代表性个体预测策略，在DMOPs解的群体中，代表性个体能够代表群体进化的方向，体现了POS形状和多样性。因此，基于某一时间段代表性个体的运动轨迹，可以预测该个体所代表群体的运动轨迹。对于基于拐点的预测策略在动态多目标优化问题的求解中，拐点能够有效地捕获POF的变化方向。因此，在预测下一时刻Pareto解集时，可以将拐点作为每次环境变化的历史信息，通过预测下一时刻的拐点集来跟踪POF，从而加快算法的收敛速度。
在一个实施例中，利用代表性个体预测策略预测事件模型在不同时间的原始最优解，包括：
通过Clique网格聚类算法确定代表性个体；
计算不同时刻代表性个体的欧式距离，根据不同时刻代表性个体的欧式距离确定代表性个体的移动方向；
根据代表性个体的移动方向确定代表性个体是否为事件模型在不同时间的原始最优解。
上述，对于代表性个体预测策略：
基于Cliuqe网格聚类的代表性个体获取方法。Cliuqe网格聚类方法综合了基于密度的聚类方法和网格聚类方法的优点，可以处理大型DMOPs问题中的高维数据，具有较高的聚类效率和良好的聚类效果。该聚类方法首先设置密度阈值、网格数量等参数，并将初始化的群体划分成k个不重叠的矩形单元；然后计算每个网格的局部密度，判断每个网格密度是否超过密度阈值；若超过密度阈值，则被标记为稠密网格，并基于最小描述长度原理(Minimum Description Length，MDL)与贪心思想找到该聚类的簇。最后，获取最终稠密网格中的代表性个体。基于Cliuqe网格聚类的代表性个体确定方法如算法1所示。
算法1.基于Cliuqe网格聚类的代表性个体获取：输入：密度阈值threshold,网格数量k，网格宽度grid_width，空队列GH_density,初始化群体G。输出：代表性个体集。
Step1：把当前的群体G划分成k个不重叠的矩形单元；Step2：计算每个网格的密度threshold_grid；
Step3：判断threshold_grid是否大于threshold，如果threshold_grid>threshold，将该网格添加到空队列GH_density；
Step4：根据密度阈值，选取稠密网格，利用最小描述长度原理以及贪心算法找到聚类的簇；
Step5：生成具有代表性个体的集合；
Step6：输出代表性个体集。
在对动态多目标优化问题的求解过程中，每个代表个体都有自己的进化方向，其进化方向由个体本身及其父代决定。此外，代表性个体的进化方向有助于构建新POS的场景。通过算法1获得的代表性个体在描述POS方面具有良好的表现。因此，基于代表性个体预测新的个体，可以较好地跟踪POS的变化趋势。
设t-2时刻的代表性个体集合为
t-1时刻代表性个体集合为
t时刻的代表性个体集合为
其中，
表示t时刻第i个代表性个体。在基于代表性个体进行新群体预测时，首先计算t-2时刻和t-1时刻每个代表性个体的演化值，计算公式如(5)式所示：
之后，计算根据t-1时刻代表性个体的位置到当前时刻该代表性个体的位置，计算两个时刻代表性个体的欧氏距离，得到t时刻代表性个体的演化值，计算公式如(6)所示。
若
则表明该代表性个体正在向最优的POS方向移动，因此，在该个体运动过程中应加快个体在该方向上的移动速度，其计算公式如(7)式所示：
其中，m为该个体的维度。
若
则表明该代表性个体正在朝背离最优的POS方向，因此，在进化过程中，将抑制该个体在该方向上的移动，计算公式如(8)所示：
本发明实施例根据代表性个体的运动方向预测下一时刻的新个体
计算公式如(9)所示：
其中，i＝1,2,...,k表示该个体的维度，δt～N(0,μt)为高斯扰动，μt表示扰动方差，其计算公式如(10)所示：
对于基于拐点的预测策略：
基于最小曼哈顿距离的拐点选择方法，在寻找全局拐点解时有着明显的优越性。与其他拐点选择策略相比，该方法具有集合信息分析和优化性能分析的优势。在动态环境中，拐点移动方向如图2所示。图2中MMD拐点移动方向确定移动方向对基于拐点的预测至关重要，以引导群体前往有希望的搜索区域。为此，本发明实施例利用MMD拐点选择方法，并按以下方式计算运动方向。设KSt为时间步长t时刻的拐点解，KSt-1为t-1时刻获得的拐点解，拐点移动的位置可以根据公式(11)计算得到：
Dt＝||KSt-KSt-1|| (11)
其中，Dt为拐点解KSt和KSt-1之间的欧式距离。通过两个时刻拐点解的移动方向和移动距离，预测下一时刻该拐点解的位置，并结合t+1时刻的拐点解和当前时刻的Pareto解集预测t+1时刻的Pareto解集。
拐点解移动方向能够引导个体向有希望找到较优解集的搜索区域移动。而回归模型可以同时用于检验变量关系的强度和方向，且可以在变量进入回归方程后在得到变量关系时控制其他无关变量，使得到的变量关系比相关分析更为准确。根据DMOPs的特点，本发明实施例在拐点运动过程中加入回归模型，并根据环境变化强度，得出预测的拐点，其计算公式如(12)所示：
其中，δt表示t时刻的经过回归模型之后新的拐点解，bi表示第i个目标的线性回归系数，βi表示第i维非线性系数，u表示环境变化强度系数，该参数由环境变化强度和环境变化频率的比值决定。基于回归模型的拐点预测策略如算法2所示：
算法2.基于回归模型的拐点预测方法：输入：t时刻的Pareto解集PSt，该解集的大小NP，t-1时刻的Pareto解集PSt-1；输出：预测的POS解集。
Step1：根据公式(11)和公式(12)，计算PSt的拐点解和PSt-1的拐点解；
Step2：将新个体复制到拐点集Pknee中，并得到Pknee大小NP2；
Step3：根据t-1时刻和t时刻的拐点解，预测t+1时刻的拐点解；
Step4：通过t+1时刻的拐点解和t时刻Pareto解集，预测t+1时刻的Pareto解集位置。
在一个实施例中，步骤S2还包括：
利用随机生成策略随机生成事件模型的随机解集；
将原始最优解、原始最优前沿、事件模型的历史最优集和随机解集，按照预设的第二混合策略生成事件模型的原始帕累托最优集。
上述，为了提高种群的多样性，当环境变化时，本发明实施例采用多种方法生成新的群体，新群体的构成如图3所示。其中，I部分群体通过代表性个体预测策略生成；II部分群体通过拐点预测方法生成；III部分群体为上一时刻的Pareto解集，IV部分群体在算法运行过程中通过随机的方式生成，群体的构成如图3所示。该群体混合生成策略可以充分地利用环境信息，使算法能更好地适应环境的变化。
在动态环境中，种群的多样性对于求解动态多目标优化问题具有重要的作用。为了保持种群多样性以及预测结果的鲁棒性，本发明实施例提出了一种基于混合预测策略的群体生成方法，该方法首先基于代表性个体的预测方法生成一部分新个体，其次，基于拐点预测方法生成一部分新个体。为了合理地分配每一种预测算法生成群体的比重，本发明实施例示例性地给出由预测方法生成群体的构成公式，如(13)所示：
final_Set＝(δ×RI)+((1-δ)×KI) (13)
其中，final_Set为当前时刻获取的最终POS，RI为代表性个体预测方法生成的Pareto解集，KI为拐点预测方法生成的Pareto解集KI，δ为比例参数，即代表性个体预测生成的新个体在最终POS中所占比例。在进行新个体的生成时，本发明实施例通过实验的方式确定两种预测策略生成群体的比例参数δ的取值。
S5、将原始帕累托最优集输入至社会学习优化模型进行学习训练，计算事件模型的目标帕累托最优集，目标帕累托最优集为多目标事件的最优集。
上述，社会学习优化算法(Social Learning Optimization Algorithm，SLO)是一种通过模拟人类社会智能演化过程的群体智能算法。该算法根据班杜拉的社会认知理论，通过模拟人类智能进化过程，提出了一种具有三层协同演化空间的算法。SLO算法的三个协同进化的空间形成一个演化的闭环，具有较好的优化机理与协同演化机制，具有较好的优化求解性能。然而，现有的SLO算法并不能直接用于求解DMOPs，因此，本发明实施例结合DMOPs的特点，对SLO算法进行改进，设计了适合于动态多目标优化问题的算子。
在一个实施例中，步骤S5，包括：
将原始帕累托最优集输入至微空间，执行交叉操作和变异操作，获得第一集合；
将第一集合输入至学习空间进行学习训练，得到第二集合。
上述，在SLO的微空间内执行遗传变异过程。微空间内的操作主要为基于轮盘赌的选择操作、交叉操作与变异操作。在DMOPs中，在执行进化算法之前，需要找到整个群体中的Pareto解集。本发明实施例通过计算拥挤度距离，选出拥挤度距离最大的点，快速获取Pareto解集。
a.交叉操作
设X1、X2为两个m维个体，rand为区间(0,1)内的随机数，pc为交叉率，若r<pc，则执行交叉操作。交叉操作如图4所示。其中，S表示维度，I表示目标数，当X1中第m个目标和X2中第m个目标执行交叉互换，得到个体X3与X4。
b.变异操作
本发明实施例采用的为单点变异操作，设X为m维个体，rand为(0，1)的随机数，pm为变异概率，且个体每个维度的值都有相同的变异概率，若r<pm，则执行变异操作，如图5所示，其中S表示维度，I表示目标数，当X1中的第m个体发生变异时，X2为X1执行变异操作之后的个体。执行完变异操作之后，计算整个集合的拥挤度距离。
上述，在DMOPs问题中，为保证个体向更好的方向发展，最终得到最优的Pareto解集，本发明实施例在学习空间中，通过比较拥挤度距离，将拥挤度距离较大的个体作为学习对象。
在一个实施例中，将第一集合输入至学习空间进行学习训练，得到第二集合，包括：
根据个体拥挤度距离，获得多个拥挤度距离符合距离要求的个体，与当前个体组成学习小组进行模仿学习；
基于正弦函数的扰动学习因子模拟个体进行观察学习。
上述，对于模仿学习，在人类社会中个体通常随机地向周围的其他优秀个体进行模仿学习。根据这一现象，本发明实施例根据拥挤度距离，找到多个拥挤度距离较大的个体，与当前个体组成学习小组进行模仿学习。模仿学习操作如式(14)所示：
Fnew＝σ×Fcurrent+ξ×Fstudy (14)
其中，σ是保留部分的系数，ξ表示学习扰动因子，Fnew表示个体在学习空间中操作之后形成的新个体，Fcurrent表示在学习空间中的当前个体，Fstudy表示学习对象。其中，Fstudy的计算公式如(15)式：
Fstudy＝(Fbetter+(r1-r2))*rand+Fcurrent (15)
其中，rand为(0，1)的随机数，r1，r2为分别为非支配集合分层后随机的随机个体，Fbetter表示拥挤度大的个体，Fcurrent表示当前个体。
上述，在观察学习中，个体通过观察其他个体的表现，并向其学习。个体在观察学习中存在一定的学习波动率，为此，本发明实施例通过引入基于正弦函数的扰动学习因子模拟个体的观察学习操作。观察学习操作如公式(16)所示：
sr'i＝rand*Fcurrent+(1-sin(a))*(Fbetter-Fcurrent) (16)
其中rand为(0，1)的随机数，Fcurrent表示当前个体，Fbetter表示最优个体，sin(a)表示正弦函数，其参数a的取值为a＝rand(2,π)。正弦函数的扰动因子在一定程度上能够增加种群的多样性，从而保证在算法后期的收敛速度与寻优效率得以保持，降低算法陷入局部最优的概率，
在一个实施例中，步骤S5，还包括：
将第二集合输入至信仰空间，执行更新操作，获得目标帕累托最优集。
上述，信仰空间在社会学习优化算法中的主要思想是在人类只能演化过程中会受到文化影响。因此该空间内的操作主要分为更新操作(Update())和影响操作(influence())，其目的是引导种群向好的方向进化，从而提高种群进化的效率。在DMOPs中，更新操作主要是将每次从学习空间中抽取到的在每个目标上的优秀个体替换掉信仰空间内较差的个体，从而实现只是的更新和积累，公式如下所示：
ai＝p×β
其中ai表示第i个目标上的优秀个体的数量；p表示种群规模；β为选择概率，本发明实施例所测试的函数中β＝rand(0.15,0.2)。
影响操作是使用信仰空间内的知识替换掉微空间内是一个都值较差的个体，引导种群向好的方向演化，提高算法的收敛速度，公式如下所示：
其中uij为信仰空间中的第i个目标中的个体，j∈[0,a]；xir表示在第i个目标中在当前群体中选择的个体，r∈[0,a]；t是当前迭代次数，ε为更新间隔参数，本发明实施例中ε＝10，即迭代10次，执行一次影响操作。
下面将上述本发明实施例公开的方法以具体算法过程为例，作示例性说明：
输入:随机初始化种群Q，设初始时刻＝0，最大迭代次数，种群大小为N，生成因子，环境变化检测参数EC，默认值为0；
输出:Pareto解集G。
Step1：检测环境变化，如果没有变化，则转至步骤6，如果改变，转至步骤2；
Step2：使用算法1和算法2，分别获取t时刻代表性个体rp1和拐点集kp1以及t-1时刻代表性个体rp2和拐点集kp2；
Step3：根据代表性个体预测策略和拐点集的预测策略，分别预测下一时刻POS1、POF1和POS2、POF2；
Step4：计算自适应随机集合以及集合大小；
Step5：根据混合策略获取新的集合M；
Step6：将集合M放入微空间中，执行交叉变异操作得到集合SM1；
Step7：将集合SM1进行学习操作，得到集合SM2；
Step8：SM2进入信仰空间，执行更新种群的更新操作，替换掉较差的个体，得到集合SM3；
Step9：若达到最大迭代次数，则输出最终集合，算法结束，若未达到最大迭代次数，返回Step1。
基于上述本发明实施例公开的动态多目标优化方法，如图6所示，本发明实施例还提供一种动态多目标优化装置，包括：
信息获取模块601，用于获取多目标优化事件的事件信息，包括：环境信息和历史信息；
模型建立模块602，用于建立多目标优化事件的事件模型；
检测模块603，用于根据环境信息检测多目标优化事件的环境是否变化；
预测模块604，用于若多目标事件的环境发生变化，则根据历史信息和环境信息，基于两种预测策略计算事件模型的原始帕累托最优集；
训练模块605，用于将原始帕累托最优集输入至社会学习优化模型进行学习训练，计算事件模型的目标帕累托最优集，目标帕累托最优集为多目标事件的最优集。
在一个实施例中，预测模块604，包括：
代表性个体预测模块，用于利用代表性个体预测策略预测所述事件模型在不同时间的原始最优解；
拐点策略预测模块，用于根据所述事件模型在不同时间的最优解，利用拐点策略预测所述事件模型在相应时间的原始最优前沿；
混合模块，用于将所述原始最优解、所述原始最优前沿以及所述事件模型的历史最优集，按照预设的第一混合策略生成所述事件模型的原始帕累托最优集，历史最优集包括：所述事件模型在历史时间的最优解和最优前沿。
在一个实施例中，预测模块604，还包括：
随机预测模块，用于利用随机生成策略随机生成所述事件模型的随机解集，所述随机解集包括：所述事件模型随机生成的最优解和最优前沿；
将所述原始最优解、所述原始最优前沿、所述事件模型的历史最优集和随机解集，按照预设的第二混合策略生成所述事件模型的原始帕累托最优集。
在一个实施例中，上述代表性个体预测模块，具体用于：
通过Clique网格聚类算法确定代表性个体；
计算不同时刻所述代表性个体的欧式距离，根据不同时刻所述代表性个体的欧式距离确定所述代表性个体的移动方向；
根据所述代表性个体的移动方向确定所述代表性个体是否为所述事件模型在不同时间的原始最优解。
在一个实施例中，训练模块605，包括：
变换操作模块，用于将所述原始帕累托最优集输入至微空间，执行交叉操作和变异操作，获得第一集合；
学习模块，用于将所述第一集合输入至学习空间进行学习训练，得到第二集合。
在一个实施例中，训练模块605，还包括：
更新操作模块，用于将所述第二集合输入至信仰空间，执行更新操作，获得所述目标帕累托最优集。
在一个实施例中，上述学习模块具体用于：
根据个体拥挤度距离，获得多个拥挤度距离较大的个体，与当前个体组成学习小组进行模仿学习；
基于正弦函数的扰动学习因子模拟个体进行观察学习。
本发明实施例选择公用的动态多目标测试函数对本所提出的方法进行验证。所选用的函数集包括FDA测试函数集合、dMOP测试函数集合和F5–F10的测试函数集合。其中，FDA和dMOP的测试问题，在决策变量之间呈线性相关，F5–F10是决策变量非线性相关的测试问题。FDA4和F8是有三个目标的问题，其他的是有两个目标的问题。F9-F10在迭代过程中，环境变化更为剧烈，是比其他测试问题更难收敛的测试问题。
性能指标：反向世代距离(Inverted Generational Distance,IGD)可以度量真实POF与算法所获得的POF之间的接近程度来评价算法的收敛性和多样性，IGD指标定义如下：
其中PFt *是t时刻的标准POF，PFt是t时刻算法所获得的POF，d(v,PFt)是PFt *上的个体v与PFt中距离v最近的个体之间的欧氏距离。可以看出，IGD的评价方法是对于标准的Pareto前沿PFt *中每个个体在算法所获得的Pareto前沿PFt中找到与它距离最近的点并计算它们之间的欧氏距离，之后将所有欧氏距离求和相加再去平均值，因此IGD不仅可以评价PFt *与PFt之间的接近程度，还可以评价PFt中个体的分布特性。IGD值越小说明算法得到的Pareto前沿收敛性越好，分布越均匀。
由于环境是动态的，如果仅使用IGD，难以全面地衡量算法的性能。为此，本发明实施例还采用MIGD指标衡量算法的性能。MIGD度量是IGD的一个修改版本，定义为运行期间某些时间步长内IGD值的平均值。假定环境变化Tmax次，则所有Tmax个环境的IGD的平均值为：
为了验证本发明实施例提出的动态多目标优化方法(HPS-DMOP)的有效性，本发明实施例首先观察了三种具有代表性的动态多目标优化方法，在不同的环境变化频率和环境变化轻强度对MIGD的影响。这三种算法分别是：(1)基于反馈的动态多目标进化优化预测策略(MOEA/D-FPS)；(2)基于环境变化强度的动态多目标进化算法(IEC)；(3)拐点引导的动态多目标优化预测方法(KPEA)。其中，MOEA/D-FPS是一种基于校正反馈(CF)和有效性反馈(EF)两种反馈机制的动态多目标优化方法。IEC是一种基于环境变化强度的进化算法，可以有效跟踪动态多目标优化中的Pareto最优集，当检测到环境变化时，IEC根据Pareto最优集在当前和历史环境中反馈的进化信息，将个体分为微观变化部分和宏观变化部分，指引进化方向。KPEA是一种通过拐点引导预测的进化算法，该算法在检测到环境变化时，设计基于全局拐点解在新环境中的移动来重新定位拐点和边界解，降低了计算成本。
本发明实施例选择使用11个动态多目标测试函数对上述算法进行对比测试，这些测试函数的特征如表1所示：
表1测试函数属性
MOEA/D-FPOS算法、IEC算法以及KPEA算法的各自独有参数可按照经验设置，其他参数设置如下：种群大小为100；算法迭代次数为4000代，变化程度＝10，此外，对四种算法在动态多目标优化问题前充分收敛和未充分收敛的情况进行分析，令环境变化频度的值分别取10和30，其他参数不变。四种算法在11个测试函数上分别运行20次。
为了对四种算法在不同时刻得到解集的收敛性和多样性进行综合评估，本发明实施例选择了常用的性能度量指标平均方向距离MIGD对算法得到的解集进行分析，计算公式如公式(14)所示。
可行性验证：
四种算法在10个测试函数上的平均反向距离指标均值测试结果如表2所示。可以看出：针对变化频度取30的情形，本发明实施例提出的HRSDMOP算法在11个测试函数中，有6个测试函数上的平均方向距离指标(MIGD)测试结果优于其他三种算法，KPEA算法在FDA3上和dMOP2测试函数上最优，而MOEA/D-FPS算法在F5和F6测试函数上表现更好；针对环境变化频度为10的情形，本发明实施例提出的HRSDMOP算法在7个测试函数中的平均反向距离指标优于其他三个算法，而KPEA在dMOP1和F8测试函数上最优，IEC在函数F6测试函数上最优。纵向来看，由10变为30，即环境变化频度由低转高的过程中，本发明实施例所提出的HRSDMOP算法的平均反向距离(MIGD)相差较小，且在部分函数中略有下降，这也充分说明了HRSDMOP在环境剧烈变化时的具有更好的适应性。
表2
有效性验证：
为了进一步说明本发明实施例所提出的HPSDMOP算法的有效性，本发明实施例选取了FDA2测试函数在在上述四种算法在环境变化频度取30时的同一时间点的测试结果进行深入分析。首先，对四种算法在不同时刻的反向距离指标的值进行对比，结果如图7所示。其中，横坐标表示迭代次数，纵坐标表示IGD的值，若方法的IGD越小，则该方法最终实验效果约好；同时，若方法的IGD值趋于稳定，则说明该方法收敛速度越快。
从结果中我们可以看出，本发明实施例所提出的方法在迭代次数为5之后基本趋于稳定，且IGD值随时间变化波动很小，且平均值小于其他3种算法。其中，本发明实施例算法实验结果与KPEA算法最终结果相差较小，但从实验过程稳定性看，HRSDMOP算法的波动性较小，且趋于稳定之前，IGD在迭代过程中下降速度较为平稳，且远低于KPEA的值。IEC的值在FDA2的测试函数表现的并不理想，说明IEC并不能适应FDA2测试函数。另外，MOEA/D-FPS在FDA2中第10次迭代中才趋于稳定，且稳定之后的实验结果远不如本发明实施例算法以及KPEA算法。因此，本发明实施例算法在环境变化频度取30时，在测试函数FDA2中的实验结果优于其他三种算法。
为了观察不同时刻4种算法得到的解的分布情况，这里选取为5，10，14，18，20这5个时刻得到的解在目标空间的值，其结果如图8-图12所示。图中红色点为不同时刻的最优面，点为不同时刻求得的解集。
有图8和图12可以看出，本发明实施例提出的算法在这5个时刻的解均优于其他3种算法的对应解，收敛性好且分布较为均匀，基本覆盖了整个最优面；KPEA算法和IEC算法的结果次之。KPEA算法在迭代前期，效果不如其他算法。因此，本发明实施例在同一时刻获得的解的收敛性和鲁棒性均优于其他三种算法。
另外本发明实施例还提供了一种电子设备，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行上述实施例公开的动态多目标优化方法。
其中，如图13所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图中未显示，通常称为“硬盘驱动器”)。尽管图中中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括—但不限于—操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。另外，本实施例中的计算机设备12，显示器24不是作为独立个体存在，而是嵌入镜面中，在显示器24的显示面不予显示时，显示器24的显示面与镜面从视觉上融为一体。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上对本申请所提供的技术方案进行了详细介绍，本发明实施例中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种动态多目标优化方法，其特征在于，包括：
获取多目标优化事件的事件信息，包括：环境信息和历史信息；
建立所述多目标优化事件的事件模型；
根据所述环境信息检测所述多目标优化事件的环境是否变化；
若所述多目标事件的环境发生变化，则根据所述历史信息和所述环境信息，基于两种预测策略计算所述事件模型的原始帕累托最优集；
将所述原始帕累托最优集输入至社会学习优化模型进行学习训练，计算所述事件模型的目标帕累托最优集，所述目标帕累托最优集为所述多目标事件的最优集。
2.如权利要求1所述的方法，其特征在于，所述若所述多目标事件的环境发生变化，则根据所述历史信息和所述环境信息，基于两种预测策略计算所述事件模型的原始帕累托最优集，包括：
利用代表性个体预测策略预测所述事件模型在不同时间的原始最优解；
根据所述事件模型在不同时间的最优解，利用拐点策略预测所述事件模型在相应时间的原始最优前沿；
将所述原始最优解、所述原始最优前沿以及所述事件模型的历史最优集，按照预设的第一混合策略生成所述事件模型的原始帕累托最优集，历史最优集包括：所述事件模型在历史时间的最优解和最优前沿。
3.如权利要求2所述的方法，其特征在于，所述若所述多目标事件的环境发生变化，则根据所述历史信息和所述环境信息，基于两种预测策略计算所述事件模型的原始帕累托最优集，还包括：
利用随机生成策略随机生成所述事件模型的随机解集；
将所述原始最优解、所述原始最优前沿、所述事件模型的历史最优集和所述随机解集，按照预设的第二混合策略生成所述事件模型的原始帕累托最优集。
4.如权利要求2所述的方法，其特征在于，所述利用代表性个体预测策略预测所述事件模型在不同时间的原始最优解，包括：
通过Clique网格聚类算法确定代表性个体，所述代表性个体为所述事件模型的解集；
计算不同时刻所述代表性个体的欧式距离，根据不同时刻所述代表性个体的欧式距离确定所述代表性个体的移动方向；
根据所述代表性个体的移动方向确定所述代表性个体是否为所述事件模型在不同时间的原始最优解。
5.如权利要求1-4中任一项所述的方法，其特征在于，所述将所述原始帕累托最优集输入至社会学习优化模型进行学习训练，计算所述事件模型的目标帕累托最优集，包括：
将所述原始帕累托最优集输入至微空间，执行交叉操作和变异操作，获得第一集合；
将所述第一集合输入至学习空间进行学习训练，得到第二集合。
6.如权利要求4所述的方法，其特征在于，所述将所述原始帕累托最优集输入至社会学习优化模型进行学习训练，计算所述事件模型的目标帕累托最优集，还包括：
将所述第二集合输入至信仰空间，执行更新操作，获得所述目标帕累托最优集。
7.如权利要求4所述的方法，其特征在于，所述将所述第一集合输入至学习空间进行学习训练，得到第二集合，包括：
根据个体拥挤度距离，获得多个拥挤度距离符合距离要求的个体，与当前个体组成学习小组进行模仿学习；
基于正弦函数的扰动学习因子模拟个体进行观察学习。
8.一种动态多目标优化装置，其特征在于，包括：
信息获取模块，用于获取多目标优化事件的事件信息，包括：环境信息和历史信息；
模型建立模块，用于建立所述多目标优化事件的事件模型；
检测模块，用于根据所述环境信息检测所述多目标优化事件的环境是否变化；
预测模块，用于若所述多目标事件的环境发生变化，则根据所述历史信息和所述环境信息，基于两种预测策略计算所述事件模型的原始帕累托最优集；
训练模块，用于将所述原始帕累托最优集输入至社会学习优化模型进行学习训练，计算所述事件模型的目标帕累托最优集，所述目标帕累托最优集为所述多目标事件的最优集。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如权利要求1～7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1～7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211129049.8A CN115470704B (zh) | 2022-09-16 | 2022-09-16 | 一种动态多目标优化方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211129049.8A CN115470704B (zh) | 2022-09-16 | 2022-09-16 | 一种动态多目标优化方法、装置、设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115470704A true CN115470704A (zh) | 2022-12-13 |
| CN115470704B CN115470704B (zh) | 2023-07-21 |
Family
ID=84333914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211129049.8A Active CN115470704B (zh) | 2022-09-16 | 2022-09-16 | 一种动态多目标优化方法、装置、设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115470704B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116090672A (zh) * | 2023-04-07 | 2023-05-09 | 中国海洋大学 | 一种水下生产系统生产方案优化方法、系统、设备及终端 |
| CN117010488A (zh) * | 2023-08-07 | 2023-11-07 | 烟台大学 | 一种基于偏好感知的动态多目标优化方法、系统和设备 |
| CN117172516A (zh) * | 2023-11-03 | 2023-12-05 | 深圳航天科创泛在电气有限公司 | 充电桩动态调度决策方法、装置、设备及存储介质 |
| CN117349532A (zh) * | 2023-10-24 | 2024-01-05 | 烟台大学 | 一种动态多目标服务组合优化推荐方法及系统 |
| CN117669800A (zh) * | 2023-11-16 | 2024-03-08 | 中国科学院空天信息创新研究院 | 基于机器学习的无线电能传输系统优化方法、装置及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110282169A1 (en) * | 2008-10-29 | 2011-11-17 | The Regents Of The University Of Colorado, A Body Corporate | Long Term Active Learning from Large Continually Changing Data Sets |
| CN107516141A (zh) * | 2017-06-24 | 2017-12-26 | 燕山大学 | 一种基于支持向量机预测策略的动态多目标进化算法 |
| CN110097088A (zh) * | 2019-04-08 | 2019-08-06 | 燕山大学 | 一种基于迁移学习与特殊点策略的动态多目标进化方法 |
| CN111311638A (zh) * | 2020-02-11 | 2020-06-19 | 中国人民解放军军事科学院评估论证研究中心 | 基于分割多向预测策略的动态多目标优化方法 |
-
2022
- 2022-09-16 CN CN202211129049.8A patent/CN115470704B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110282169A1 (en) * | 2008-10-29 | 2011-11-17 | The Regents Of The University Of Colorado, A Body Corporate | Long Term Active Learning from Large Continually Changing Data Sets |
| CN107516141A (zh) * | 2017-06-24 | 2017-12-26 | 燕山大学 | 一种基于支持向量机预测策略的动态多目标进化算法 |
| CN110097088A (zh) * | 2019-04-08 | 2019-08-06 | 燕山大学 | 一种基于迁移学习与特殊点策略的动态多目标进化方法 |
| CN111311638A (zh) * | 2020-02-11 | 2020-06-19 | 中国人民解放军军事科学院评估论证研究中心 | 基于分割多向预测策略的动态多目标优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| AIMIN ZHOU, ET AL: "A Population Prediction Strategy for Evolutionary Dynamic Multiobjective Optimization", 《IEEE TRANSACTIONS ON CYBERNETICS》, pages 40 - 53 * |
| 丁进良;杨翠娥;陈立鹏;柴天佑;: "基于参考点预测的动态多目标优化算法", 《自动化学报》, no. 02, pages 313 - 320 * |
| 马永杰;陈满丽;陈敏;: "基于Pareto解集分段预测策略的动态多目标进化算法", 《计算机工程与科学》, no. 08, pages 1454 - 1462 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116090672A (zh) * | 2023-04-07 | 2023-05-09 | 中国海洋大学 | 一种水下生产系统生产方案优化方法、系统、设备及终端 |
| CN117010488A (zh) * | 2023-08-07 | 2023-11-07 | 烟台大学 | 一种基于偏好感知的动态多目标优化方法、系统和设备 |
| CN117010488B (zh) * | 2023-08-07 | 2024-03-19 | 烟台大学 | 一种基于偏好感知的动态多目标优化方法、系统和设备 |
| CN117349532A (zh) * | 2023-10-24 | 2024-01-05 | 烟台大学 | 一种动态多目标服务组合优化推荐方法及系统 |
| CN117349532B (zh) * | 2023-10-24 | 2024-05-24 | 烟台大学 | 一种动态多目标服务组合优化推荐方法及系统 |
| CN117172516A (zh) * | 2023-11-03 | 2023-12-05 | 深圳航天科创泛在电气有限公司 | 充电桩动态调度决策方法、装置、设备及存储介质 |
| CN117172516B (zh) * | 2023-11-03 | 2024-03-05 | 深圳航天科创泛在电气有限公司 | 充电桩动态调度决策方法、装置、设备及存储介质 |
| CN117669800A (zh) * | 2023-11-16 | 2024-03-08 | 中国科学院空天信息创新研究院 | 基于机器学习的无线电能传输系统优化方法、装置及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115470704B (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115470704B (zh) | 一种动态多目标优化方法、装置、设备和计算机可读介质 | |
| Han et al. | An adaptive multiobjective particle swarm optimization based on multiple adaptive methods | |
| Wang et al. | A grey prediction-based evolutionary algorithm for dynamic multiobjective optimization | |
| Behnamian et al. | Development of a PSO–SA hybrid metaheuristic for a new comprehensive regression model to time-series forecasting | |
| Remli et al. | An enhanced scatter search with combined opposition-based learning for parameter estimation in large-scale kinetic models of biochemical systems | |
| Jiang et al. | An adaptive sampling strategy for Kriging metamodel based on Delaunay triangulation and TOPSIS | |
| CN107909194B (zh) | 系统级测试性设计多目标优化方法 | |
| Jiang et al. | Melt index prediction using optimized least squares support vector machines based on hybrid particle swarm optimization algorithm | |
| CN113255873A (zh) | 一种聚类天牛群优化方法、系统、计算机设备和存储介质 | |
| CN116933948A (zh) | 基于改进海鸥算法与反向传播神经网络的预测方法和系统 | |
| CN113988358A (zh) | 基于迁移强化学习的碳排放指数预测与治理方法 | |
| Zhang et al. | A local semi-supervised ensemble learning strategy for the data‐driven soft sensor of the power prediction in wind power generation | |
| Lu et al. | Double-track particle swarm optimizer for nonlinear constrained optimization problems | |
| Sun et al. | A two stages prediction strategy for evolutionary dynamic multi-objective optimization | |
| Wu et al. | A dynamic multi-objective evolutionary algorithm based on prediction | |
| Zheng et al. | A dynamic multi-objective evolutionary algorithm using adaptive reference vector and linear prediction | |
| Xu et al. | A cluster prediction strategy with the induced mutation for dynamic multi-objective optimization | |
| Hong et al. | Growing neural gas assisted evolutionary many-objective optimization for handling irregular Pareto fronts | |
| Ouyang et al. | Compound improved Harris hawks optimization for global and engineering optimization | |
| Lan et al. | Cooperative Guidance of Multiple Missiles: A Hybrid Coevolutionary Approach | |
| Dou et al. | System portfolio selection for large-scale complex systems construction | |
| CN116841707A (zh) | 基于hdabc算法的传感器资源调度方法 | |
| CN111582429A (zh) | 一种基于头脑风暴优化算法求解演化博弈问题的方法 | |
| CN110942346A (zh) | 一种基于粒子群算法的建筑工程造价动态化估算方法 | |
| Gouda et al. | A self-adaptive differential evolution using a new adaption based operator for software cost estimation |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |