多目标问题及多目标进化算法.ppt

演讲主题
多目标问题及多目标进化算法研究
基于粒子群的一种多目标优化算法
报告人： 蒋庆 2004级博士研究生
演讲主题
1. 多目标优化问题 2. 多目标进化算法 3. 多目标粒子群优化算法实例
主题一
1 多目标问题(Multi-Objective Problem) 1.1 什么是多目标问题 1.2 多目标问题的特点 1.3 怎样才算多目标问题的最优解
f2 X A B Y C
解点A, 解点 B, C是非支配点 是非支配点 A Pareto支配 支配X 支配 C Pareto 支配 支配Y
f1
1.3.2.2 Pareto最优解(Pareto optimal solutions)
数学定义： 多目标问题的一个矢量解x是Pareto 最优 解当且仅当不存在另一个矢量解y,使得 f(y)Pareto支配 f(x). 所有的Pareto Optimal 解称为Pareto Optimal 解集。
n id n 1 1 n id n id n 2 2
n gd
−x )
n id
◆ PSO种群中任一粒子i的位置
x
n +1 id
= x
n id
+v
n +1 id
3.2 一种多目标粒子群优化算法实例
算法使用一个存储非劣解的精英档案， 算法使用一个存储非劣解的精英档案，该 档案有两个作用。首先， 档案有两个作用。首先，它存储和更新粒子群 每轮迭代搜索到的所有非劣解集， 每轮迭代搜索到的所有非劣解集，在迭代结束 后，档案中的成员即为算法整个生命期搜索到 的非劣解集。其次， 的非劣解集。其次，档案通过对当前非劣解前 沿的近似估计， 沿的近似估计，从而辅助算法从档案中选择粒 子速度更新的全局极值。后者提供了选择压力， 子速度更新的全局极值。后者提供了选择压力， 通常促使粒子向多目标问题的全局非劣解前沿 方向搜索。如果没有这个过程， 方向搜索。如果没有这个过程，算法就不能分 辨好的和坏的解点， 辨好的和坏的解点，导致粒子在目标搜索空间 中漫无目的的飞行。 中漫无目的的飞行。
3.2.2 粒子更新策略
采用动态设置全局极值的方法，在每次迭代时， 采用如下公式动态生成全局极值。
p
i ,c t
= Random( p , t )
i,g t
i i i i i ,c i v = wv + c R ( p − x ) + c R ( pt − x ) t +1 t 1 1 t t 2 2 t
1.3.2.1 Pareto支配(Pareto Dominance) 数学定义： 不失为一般性，仅考虑最小化。设 u=(u1,….uk)和v=(v1,…,vk)为两个自变量矢 量，那么u Pareto 支配v当且仅当ui <=vi ,i=1,…,k ，并且至少有一项ui < vi.
1.3.2.1 Pareto支配(Pareto Dominance)
1.3.2.3 Pareto最优前沿(Pareto optimal front)
数学定义： 对于一个多目标问题的Pareto 最优解矢 量X,则Y=(f1(X)),…,fk(X))为X的Pareto前沿. 所有的Pareto 最优前沿称为Pareto 最优前 沿集。
1.3.2.3 Pareto最优前沿(Pareto optimal front)
% factory_goal.m A=[ -1 -1 0 0; 0 0 -1 -1; 3 0 2 0; 0 3 0 2]; b=[-30 -30 120 48]; lb=zeros(1,4); x0=[20,10,30,0]; y0=[10000, 40]; x_opt=[18 12 33 0]; [x fval]=fgoalattain(@fun_optim, x0, y0, [1 2e-4], A, b, [], [], lb, [])
a b
ϕi
ε
σ
f
c
1
3.2 一种多目标粒子群优化算法实例
3.2.2 粒子更新策略 全局极值对粒子群优化算法的收敛性能具有 非常重要的影响, 非常重要的影响 往往使粒子快速收敛到搜索 空间得某一领域。然而， 空间得某一领域。然而，这种快速收敛机制也 会产生一些负面影响： ） 会产生一些负面影响：1）算法最终得到的非 劣解前沿分布性差； ） 劣解前沿分布性差；2）如果全局极值是一个 局部最优解会产生早熟现象。 局部最优解会产生早熟现象。
1.3.2 不由人来判断(Pareto optimality)
多目标问题最优解具有Pareto-optimal 特 性 什么是Pareto-optimal？ 1.3.2.1 Pareto支配(Pareto Dominance) 1.3.2.2 Pareto最优解(Pareto optimal solutions) 1.3.2.3 Pareto最优前沿(Pareto optimal front)
1.3.1 由人来判断（非Pareto机制）
加权: 由决策者决定每个目标函数不同的 权重因子，将所有的目标函数整合为一个 目标函数。 目标规划：由决策者确定每个目标函数所 能达到的目标值，然后将这些值作为附加 的约束整合进问题中，从而优化目标转换 为最大或最小化目标值和目标函数值之间 的绝对偏差。
2.2 多目标进化算法的通用算法过程
输入：基于多目标函数自变量矢量编码的种群 输出： 多目标优化解集 Step1: 初时化种群 Step2: 适应值评价 Step3: 进化算子操作，生成新的种群 a) 选择算子(Selection) b) 组合算子(Recombination) c) 交叉算子(Mutation) Step4: 如果满足终止条件，结束算法迭代，否则转到Step2.
2.3 多目标进化算法研究关键领域
2.3.2 精英档案(Elitism Archive)
De Jong(1975)提出了一种策略，将第t次迭代的最好 的个体保存下来并加入到t+1次迭代的进化过程中，这 些被保存的最好个体称为精英。通过试验，De Jong发 现精英档案的引入能极大的提高算法的性能。
y = ( y1 , y2 ,..., yk ) ∈ Y
1.2 多目标问题的特点
具有多个目标函数。 各个函数之间在最优化方向上存在冲突。 往往需要人的参与。 目标函数集要么是求极大，要么是求极 小，两者只能取其一。
1.3 怎样才算多目标问题的最优解
1.3.1 由人来判断（非Pareto机制） 基本原则：通过加入决策者判断，缩小多 目标问题有效解集的范围。 1.3.2 不由人来判断(Pareto optimality) 基本原则：多目标问题优化解的自身特性 来搜索多目标问题有效解集的范围。
1.1 什么是多目标问题
简单的概述： 在两个及两个以上的函数集T中，每个函 数的自变量矢量X1必须与其它函数的自变 量矢量X2有交集，优化这个函数集T,使得T 中所有的函数集尽可能的极大或极小，即 为多目标问题的优化。
工厂生产车辆优化问题
% fun_optim.m function [y]= fun_optim(x) y=zeros(1,2); y(1)= -(100*x(1)+90*x(2)+80*x(3)+70*x(4)); y(2)=3*x(2)+2*x(4); 工厂生产两种型号汽车，其中 y(1)代表利润，y(2)代表加班时 间，状态变量x1,x2是A型车在正 常和加班两种情况下的产量， x3,x4是B型车在正常和加班两种 情况下的产量。
3.3 试验结果评价
3.3.1 性能指标 ◆相对覆盖指标(Two Set Coverage) ◆ 间隔指标(spacing) ◆ 图形法
Two Set Coverage
相对覆盖指标是对两个集合进行相对覆盖的比较。假设X’、X’’ 是两个表现性决策向量，CS为有序对(X’,X’’)按下式计算后映射到 区间[0,1]:
间隔指标(spacing)
1 n − (d − d i ) 2 ∑ n − 1 i =1
s=
评价： 衡量解集的分布性。
S
MOPSO
SPEA
SOEA
Best
0.1200
0.1148
0.1675
Worst
0.1272
0.1599
0.1675
Mean
0.1228
0.1336
0.1675
Std
0.0026
主题二
2 多目标进化算法(Multi-Objective Evolutionary algorithm)
2.1 进化算法求解多目标优化问题的优势 2.2 多目标进化算法的通用算法过程 2.3 多目标进化算法关键研究领域
2.1 进化算法求解多目标优化问题的优缺点
每轮迭代可以找到多个Pareto近似最优解 迄今为止还没有找到其他方法比EAs更能有效地 解决MOP问题。 在许多复杂应用问题中搜索最优解还存在一定的 困难。
TSC
Mopso: Spea
Mopso: Soea
Spea: Mopso
Soea: Mopso
Best
1.0
1.0
0.0114
0.0
Worst
0.8939
0.0
0.0
0.0
Mean
0.9710
1.0
0.0036
0.0
Std
0.0387
0.0
0.0056
0.0
Median
0.9857
1.0
0.0
0.0
◆ 如何更新精英档案 ◆ 从档案中选取哪些精英参与种群进化
主题三
3 一种新颖的多目标算法实例
3.1 粒子群优化算法介绍 3.2 一种多目标粒子群优化算法 3.3 试验结果评价
3.1 粒子群优化算法介绍
粒子群算法(Particle Swarm Optimization,PSO) 是由Kennedy和Eberhart(1995)提出的,他们最 初的灵感来源于对鸟群飞行的观察。 粒子群算法容易实现，并且没有许多 参数需要设置，收敛速度开，相对于遗 传算法等其进化算法更简单有效。