在解決多目標(biāo)優(yōu)化問題時(shí),存在這樣一類問題,具有多個(gè)相互沖突的目標(biāo),且優(yōu)化目標(biāo)會(huì)隨時(shí)間發(fā)生變化,我們稱這類問題為動(dòng)態(tài)多目標(biāo)優(yōu)化問題（dynamic multi-objective optimization problems,DMOPs）。此類問題強(qiáng)調(diào)算法的時(shí)效性,并要求算法能在動(dòng)態(tài)的環(huán)境中能夠保持良好的多樣性和收斂性。由于經(jīng)典的多目標(biāo)優(yōu)化進(jìn)化算法（Multi-objective Optimization Algorithms,MOEAs）在求解這類問題時(shí)無法檢測到環(huán)境是否發(fā)生變化和缺乏良好的多樣性保持機(jī)制,導(dǎo)致此類算法無法有效的求解DMOPs。為了讓經(jīng)典的MOEAs具有求解DMOPs的能力,需要引入環(huán)境檢測機(jī)制和增加相應(yīng)的響應(yīng)機(jī)制,以提高算法的對于動(dòng)態(tài)環(huán)境的適應(yīng)性和性能。為了解決這一問題,本文提出了一種基于決策變量分類的混合預(yù)測策略以響應(yīng)環(huán)境變化,該策略由三步組成。當(dāng)檢測到環(huán)境發(fā)生變化后,第一步,基于當(dāng)前環(huán)境簡單分析每維決策變量對個(gè)體的影響,第二步,對不同類的決策變量采取不同的預(yù)測方式,最后對第一步和第二步產(chǎn)生的解集進(jìn)行適應(yīng)性選擇,挑選具有良好收斂性和多樣性的解加入初始種群,使種群更適應(yīng)... 

【文章來源】：湘潭大學(xué)湖南省

【文章頁數(shù)】：47 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

動(dòng)態(tài)多目標(biāo)優(yōu)化算法一般流程

7在進(jìn)化前期，由于缺乏歷史信息的積累，算法收斂性也有所欠缺。Jiang等[42]提出了一種基于穩(wěn)態(tài)和世代進(jìn)化的算法，通過非支配解集及其移動(dòng)向量來預(yù)測整個(gè)種群，以期加速算法的收斂速度。一般而言，采取預(yù)測策略能在一定程度上加速算法在新環(huán)境中的收斂速度。但同時(shí)也需要額外的計(jì)算資源和訓(xùn)練過程，且依賴于預(yù)測模型的適應(yīng)性，一個(gè)不適合的模型甚至可能大大拖慢算法的收斂速度�；陬A(yù)測策略的動(dòng)態(tài)多目標(biāo)進(jìn)化優(yōu)化算法核心在于預(yù)測模型，近年，MinJIANG等人[25]提出了一種基于遷移學(xué)習(xí)的動(dòng)態(tài)多目標(biāo)優(yōu)化算法，算法預(yù)測模型如圖2.2所示，t時(shí)刻下的最優(yōu)種群分布不同于t+1時(shí)刻下的種群分布，所以算法的核心思想在于將t時(shí)刻下的種群（源域）和t+1時(shí)刻的種群（目標(biāo)域）映射到同一潛在空間，使得它們在該空間下的分布盡可能的相似，而分布的相似性則通過最大均值差異（MMD）來衡量，公式定義如下：(,,)∈(1∑()=11∑()=1)(2-1)其中，sup是上確界函數(shù)，p和q是定義在域X上的兩個(gè)Borel概率測度；=(1,…,)和=(1,…,)是分別從p和q得到的兩個(gè)觀測值；F是一類函數(shù)f；然后通過引入核函數(shù)等手段最小化MMD，最終由t時(shí)刻的最優(yōu)種群通過預(yù)測模型以生成t+1時(shí)刻下的種群。由上分析可得，基于遷移學(xué)習(xí)的動(dòng)態(tài)多目標(biāo)優(yōu)化算法的核心在于基于遷移學(xué)習(xí)的預(yù)測模型，在新環(huán)境下的初始種群收斂性和分布性的優(yōu)劣依賴于前一環(huán)境時(shí)刻的最優(yōu)種群和模型的優(yōu)化結(jié)果，雖然結(jié)合傳統(tǒng)的多目標(biāo)優(yōu)化算法能較好的求解DMOPs，但其算法仍具有一定的不穩(wěn)定性，而且算法還需要額外的計(jì)算開銷來優(yōu)化模型參數(shù)。圖2.2基于遷移學(xué)習(xí)的動(dòng)態(tài)多目標(biāo)優(yōu)化算法的核心思想

9第3章基于決策變量分析的動(dòng)態(tài)多目標(biāo)優(yōu)化算法在本章中，我們基于決策變量分析提出了一個(gè)新的預(yù)測策略來處理DMOPs,目的在于在新環(huán)境中利用歷史信息生成盡可能靠近POF的初始種群，同時(shí)保持種群的多樣性，保證種群有充分的能力來探索決策空間。策略的核心思想在于分析每維決策變量在新環(huán)境下對個(gè)體的影響并簡單分類，然后對不同類決策變量采取不同的方法來生成解。為了實(shí)現(xiàn)這一目的，我們提出了一個(gè)簡單的決策變量分析方法和適應(yīng)性選擇方法挑選個(gè)體加入初始種群。3.1決策變量分析方法決策變量分析方法主要通過分析在新環(huán)境下每維決策變量對個(gè)體的影響，然后對所有決策變量進(jìn)行簡單分類。目的在于找出與分布性相關(guān)決策變量歸為一類，其余決策變量只能影響個(gè)體的收斂性，則歸為另一類。因此，我們隨機(jī)生成n個(gè)代表解分別代表決策空間中的n維決策變量，然后對每個(gè)決策變量隨機(jī)擾動(dòng)，生成nper個(gè)擾動(dòng)解，擾動(dòng)時(shí)只有該維決策變量的值發(fā)生改變，其余維度的值不發(fā)生改變。最后，對代表解及該代表解產(chǎn)生的擾動(dòng)解進(jìn)行非支配排序。我們便能通過代表解與其擾動(dòng)解之間的支配關(guān)系判斷該位決策變量在新環(huán)境下對個(gè)體的影響。圖3.1分析每維決策變量對個(gè)體的影響圖3.1闡述了決策變量分析方法的核心思想：圖為一個(gè)有兩個(gè)目標(biāo)的最小化問題，決策空間有1,2,…,5五維決策變量。因此，首先隨機(jī)生成n個(gè)代表解（此例中隨機(jī)生成5個(gè)代表解）。然后，對每個(gè)代表解擾動(dòng)分別生成nper個(gè)擾動(dòng)解（此例中擾動(dòng)生成5個(gè)擾動(dòng)解），所以每維決策變量均有六個(gè)解。圖3.1.a描繪

【參考文獻(xiàn)】：
期刊論文
[1]基于引導(dǎo)個(gè)體的預(yù)測策略求解動(dòng)態(tài)多目標(biāo)優(yōu)化問題[J]. 鄭金華,彭舟,鄒娟,申瑞珉.  電子學(xué)報(bào). 2015(09)
[2]一種基于云模型的云變異粒子群算法[J]. 張英杰,邵歲鋒,Niyongabo Julius.  模式識(shí)別與人工智能. 2011(01)
[3]一種基于拉丁超立方體抽樣的多目標(biāo)進(jìn)化算法[J]. 鄭金華,羅彪.  模式識(shí)別與人工智能. 2009(02)



本文編號(hào)：3350601