前言
本篇博客出于学习交流目的,主要是用来记录自己学习多目标优化中遇到的问题和心路历程,方便之后回顾。过程中可能引用其他大牛的博客,文末会给出相应链接,侵删!
REMARK:本人纯小白一枚,如有理解错误还望大家能够指出,相互交流。也是第一次以博客的形式记录,文笔烂到自己都看不下去,哈哈哈
笔记(二)记录基于Pareto支配的优化算法,在笔记(三)中记录在学习MOEA/D算法(包括对Tchebycheff聚合方法的理解,比较详细),MOEA/D也是我的直接目标,以为参考的那篇论文用到了这个论文的思想,因为对这个领域一点不了解,就有了前面两个笔记。(一些在第一篇提到的概念这篇就不再重复了)
正文
基于分解的多目标进化算法(MOEA/D)2007年由Qingfu Zhang等人提出。该算法将传统多目标问题转化成为多个单目标问题,对它们同时优化,该算法需要具备一定Pareto基础知识,可回顾多目标优化_学习笔记(一)。
MOEA/D特性:
- 引入分解的概念,简单但是有效;
- 由于算法将MOP问题分解成子问题(单维度)进行计算,适配度分配和多样性控制的难度都有所降低;
- 相较NSGA-II和MOGLS算法MOEA/D具有更低的计算复杂度,但在许多场景下解得表现上更为出色;
- 弥补传统不是基于分解的算法难以找到一个简单方法来利用标量(单维度)优化算法的缺点;
三种分解算法
一般将MOP多目标转换到一组标量优化问题常用的分解方法有权重求和法;切比雪夫聚合方法;边界交叉聚合方法。下面会一一解释这些方法,MOEA/D采用切比雪夫聚合方法,也可以只看这一部分。
A、权重求和法(Weighted Sum Approach )
常用的权重求和公式为(最小化):
m i n g w s ( x ∣ λ ⃗ ) = ∑ i = 1 m λ i f i ( x ) min \; g^{ws}(x|\vec{\lambda })=\sum_{i=1}^m\lambda_if_i(x) mingws(x∣λ
)=i=1∑mλifi(x) s . t . x ∈ Ω s.t. \; x\in \Omega s.t.x∈Ω 其中,待优化的目标分量有 m m m个, λ ⃗ = ( λ 1 , λ 2 , ⋯ , λ m ) \vec{\lambda }=\left ( \lambda_{1},\lambda_{2},\cdots ,\lambda_{m} \right ) λ
=(λ1,λ2,⋯,λm)是的权值向量,每个权值分量 λ i \lambda_{i} λi分别对应第 i i i个目标分量;限制条件 λ i ≥ 0 \lambda_{i}\geq 0 λi≥0 && ∑ i = 1 m λ i = 1 \sum_{i=1}^m\lambda_{i}=1 ∑i=1mλi=1 (如二维坐标,保证等高线斜率为 [ − 0 , − ∞ ] \left [-0 ,-\infty \right ] [−0,−∞] )。文章给出了利用线性加权法求Pareto解得图例,可以看下链接中的图例,有助于理解等高线(等值线)概念。 利用这个方法可将多目标问题转换成单个数值目标函数,但在寻找非凸解得问题上难度大。
B、切比雪夫聚合方法(Tchebycheff Approach) m i n g t e ( x ∣ λ , z ∗ ) = m a x { λ i ( f i ( x ) − z i ∗ ) } min\; g^{te}(x|\lambda,z^*)=max\; \{\lambda_i (f_i(x) - z_i^*)\} mingte(x∣λ,z∗)=max{λi(fi(x)−zi∗)} s . t . x ∈ Ω s.t. \; x\in \Omega s.t.x∈Ω
其中, z ∗ = ( z 1 ∗ , ⋯ , z i ∗ ) z^*=\left (z_1^*,\cdots ,z_i^* \right ) z∗=(z1∗,⋯,zi∗) T ^T T,对于每一个目标分量 i i i, z i ∗ = m i n { f i ( x ) ∣ x ∈ Ω } z_i^*=min \left \{f_i(x) | x\in \Omega \right \} zi∗=min{fi(x)∣x∈Ω},即每个目标分量最小值组成的坐标。
下面给出图例用于理解这个公式,首先感谢两篇博客,通过他们的分享给了我很大的启发,但是由于有些理解上的不同,下面给出我自己的理解,如有错误还请大家指正。
Chithonhttp://blog.csdn.net/qithon/article/details/72885053#comments
jinTesterhttp://blog.csdn.net/jinjiahao5299/article/details/76045936
针对我的理解和前人给出的图例我重新画了一个图,帮助理解。
![](https://img.laitimes.com/img/9ZDMuAjOiMmIsIjOiQnIsIiclRnblN0LclHdpZXYyd2LcBTOvwVZ2x2bzNXak9CX90TQNNkRrFlQKBTSvwFbslmZvwFMwYzLcVmepNHdu9mZvwFVywUNMZTY18CX052bm9CX1kFVOBTRE5UMNpHW4Z0MMBjVtJWd0ckW65UbM5WOHJWa5kHT20ESjBjUIF2LcRHelR3LcJzLctmch1mclRXY39TNyQDMwQjM5EjMyMDM4EDMy8CX0Vmbu4GZzNmLn9Gbi1yZtl2Lc9CX6MHc0RHaiojIsJye.jpg)
以二目标最小优化问题为例,我们令 f i ′ ( x ) = f i ( x ) − z i ∗ f^{'}_i(x)=f_i(x) - z_i^* fi′(x)=fi(x)−zi∗,如图所示坐标系从 f i f_i fi变换到 f i ′ f^{'}_i fi′,这个过程对应定义很容易理解,之后的操作都针对这个变换后的坐标系;那么公式变为 m i n g t e ( x ∣ λ ) = m a x { λ i f i ′ ( x ) } min\; g^{te}(x|\lambda)=max\; \{\lambda_i f^{'}_i(x)\} mingte(x∣λ)=max{λifi′(x)},可以看出这个公式和线性加权的很像,只是线性加权是求和,而切比雪夫方法是比较最大值。
现在我们给定一个 λ ⃗ \vec{\lambda } λ
,如图紫线所示;我们的目标是要找到Pareto前沿面PF(红线)上的个体(点),给定 λ ⃗ \vec{\lambda } λ
之后,对位于 λ ⃗ \vec{\lambda } λ
上方的个体衡有 f 1 ′ λ 1 > f 2 ′ λ 2 f^{'}_1\lambda _{1}> f^{'}_2\lambda _{2} f1′λ1>f2′λ2,即 m i n g t e ( x ∣ λ , z ∗ ) = f 1 ′ λ 1 min\; g^{te}(x|\lambda,z^*)=f^{'}_1\lambda _{1} mingte(x∣λ,z∗)=f1′λ1,无论$ f{’}_2$取值如何变化,只要$f{’}_1 不 变 , 结 果 大 小 都 一 样 , 所 以 等 高 线 是 平 行 于 不变,结果大小都一样,所以等高线是平行于 不变,结果大小都一样,所以等高线是平行于 f^{’}_2 的 一 条 直 线 , 同 理 可 推 位 的一条直线,同理可推位 的一条直线,同理可推位\vec{\lambda } 下 方 等 高 线 是 平 行 于 下方等高线是平行于 下方等高线是平行于 f^{’}_1 的 一 条 直 线 , 两 条 直 线 组 合 成 为 等 高 线 ( 橙 色 ) , 且 等 高 线 上 的 个 体 评 估 值 与 等 高 线 交 于 的一条直线,两条直线组合成为等高线(橙色),且等高线上的个体评估值与等高线交于 的一条直线,两条直线组合成为等高线(橙色),且等高线上的个体评估值与等高线交于\vec{\lambda }$的点取值相同。
下面是收敛过程,上面已经讲解了等高线为什么是由两条垂直的线组成,同样可以用来说明收敛过程,在位于 λ ⃗ \vec{\lambda } λ
上方的个体,如果出现新的个体$ f^{’}_1 小 于 等 高 线 值 , 则 等 高 线 向 下 移 动 ( 注 意 两 条 线 同 时 移 动 ) ; 同 理 , 位 于 小于等高线值,则等高线向下移动(注意两条线同时移动);同理,位于 小于等高线值,则等高线向下移动(注意两条线同时移动);同理,位于\vec{\lambda } 下 方 的 个 体 , 如 果 出 现 新 的 个 体 下方的个体,如果出现新的个体 下方的个体,如果出现新的个体 f^{’}_2$小于等高线值,则等高线向左移动(注意两条线同时移动),直到搜索到Pareto前沿。
当我们对 λ ⃗ \vec{\lambda } λ
取不同值(如 λ ′ ⃗ \vec{\lambda^{ '} } λ′
),就可以得到其他Pareto解。
文中还提到了一个权重切比雪夫聚合方法,就是结合两种方法并加了个参数 ρ \rho ρ 控制两种方法的比例。思想比较简单直接给公式:
m i n g t e ( x ∣ λ , z ∗ ) = m a x { λ i ( f i ( x ) − z i ∗ ) } + ρ ∑ j = 1 m ( f j ( x ) − z j ∗ ) min\; g^{te}(x|\lambda,z^*)=max\; \{\lambda_i (f_i(x) - z_i^*)\}+\rho \sum_{j=1}^m(f_j(x) - z_j^*) mingte(x∣λ,z∗)=max{λi(fi(x)−zi∗)}+ρj=1∑m(fj(x)−zj∗) s . t . x ∈ Ω s.t. \; x\in \Omega s.t.x∈Ω
Chithon的博客中提到标准Tchebycheff Approach得到的解不均匀,Yutao Qi等人于2014年提出一种解决方法(MOEA/D with Adaptive Weight Adjustment), λ ∗ = ( 1 λ 1 ∑ i = 1 m 1 λ i , . . . . , 1 λ m ∑ i = 1 m 1 λ i ) \lambda^* =(\frac{\frac{1}{\lambda_1}}{\sum_{i=1}^m\frac{1}{\lambda_i}},....,\frac{\frac{1}{\lambda_m}}{\sum_{i=1}^m\frac{1}{\lambda_i}}) λ∗=(∑i=1mλi1λ11,....,∑i=1mλi1λm1)通过这个参照向量的转换即可得到分布均匀的解。
C、边界交叉聚合方法(penalty-based boundary intersection (PBI) approach)
最初的边界交叉方法给出公式如下:
m i n g b i ( x ∣ λ , z ∗ ) = d min\; g^{bi}(x|\lambda,z^*)=d mingbi(x∣λ,z∗)=d s . t . x ∈ Ω s.t. \; x\in \Omega s.t.x∈Ω z ∗ − F ( x ) = d λ z^*- F\left ( x \right )=d\lambda z∗−F(x)=dλ
给个文中的图例,其中, λ , z ∗ \lambda,z^* λ,z∗和上个方法切比雪夫中的定义一致(最大优化问题,只是的 z ∗ z^* z∗最大最小变了一下),约束条件$z^*- F\left ( x \right )=d\lambda , 需 要 保 证 ,需要保证 ,需要保证F\left ( x \right ) 与 与 与\lambda 在 同 一 直 线 上 , 这 个 限 制 条 件 不 太 现 实 , 所 以 做 出 来 改 进 。 其 中 , 在同一直线上,这个限制条件不太现实,所以做出来改进。其中, 在同一直线上,这个限制条件不太现实,所以做出来改进。其中,d 为 标 量 , 表 示 为标量,表示 为标量,表示F\left ( x \right ) 在 在 在\lambda$方向上的距离,越小表示越优。
>>> penalty-basedboundary intersection approach
基于惩罚的边界交叉方法:
m i n g b i p ( x ∣ λ , z ∗ ) = d 1 + θ d 2 min\; g^{bip}(x|\lambda,z^*)=d_{1}+\theta d_{2} mingbip(x∣λ,z∗)=d1+θd2 s . t . x ∈ Ω s.t. \; x\in \Omega s.t.x∈Ω d 1 = ∣ ( z ∗ − F ( x ) ) T λ ∣ ∣ λ ∣ d_{1}=\frac{\left |\left ( z^{*}-F\left ( x\right ) \right )^T\lambda \right |}{\left | \lambda \right |} d1=∣λ∣∣∣∣(z∗−F(x))Tλ∣∣∣ d 2 = ∣ F ( x ) − ( z ∗ − d 1 λ ) ∣ d_{2}=\left | F\left ( x \right )-\left ( z^{*} -d_{1}\lambda \right ) \right | d2=∣F(x)−(z∗−d1λ)∣
作为对上一个算法的改进,改为添加惩罚函数进行处理约束。 θ > 0 \theta>0 θ>0 是一个预设参数,通常取0.5。 d 1 d_{1} d1为标量,表示 F ( x ) F\left ( x \right ) F(x)在 λ \lambda λ方向上投影的距离; d 2 d_{2} d2为惩罚值(标量),表示 F ( x ) F\left ( x \right ) F(x)在 λ \lambda λ方向上垂直投影的距离,偏离 λ \lambda λ越远,惩罚值越大。
在超过两个目标时,PBI方法比切比雪夫聚合方法能够获得的最优解分布更加均匀,尤其是在目标较少的情况下,这种现象更加明显。
整体框架
下面是中午原文中的算法流程图,我们按这个思路理解。
算法主要思想在于,若 λ j \lambda^{j} λj与$\lambda^{j} 相 邻 , 那 么 相邻,那么 相邻,那么g^{te}\left ( x\mid \lambda {j},z{*} \right )$ 与 g t e ( x ∣ λ j , z ∗ ) g^{te}\left ( x\mid \lambda ^{j},z^{*} \right ) gte(x∣λj,z∗)也应该非常相近。
算法细节上的理解
输入输出很好理解,我们直接看算法步骤 ↓
Step1:初始化
1)计算权重向量之间的欧式距离,对于每个权重向量 λ i \lambda ^{i} λi得到离它最近的T个权重向量存在 B ( i ) B\left ( i \right ) B(i)(相邻集合)中,画了一个简要图,便于理解,注意 λ i \lambda ^{i} λi的取值范围 ∑ i = 1 m λ i = 1 \sum_{i=1}^m\lambda_{i}=1 ∑i=1mλi=1(这里 m = 2 m=2 m=2),所以向量终端一定在橙线( y = − x + 1 y=-x+1 y=−x+1)上,所以欧式距离越小,表示越相邻;
2)随机生成初始种群 x 1 , ⋯ , x N x^{1},\cdots ,x^{N} x1,⋯,xN;
3)初始化 z ∗ ⃗ = ( z 1 , ⋯ , z m ) T \vec{z^{*}}= \left ( z_{1},\cdots ,z_{m}\right )^{T} z∗
=(z1,⋯,zm)T, z i = m i n { f i ( x 1 ) , f i ( x 2 ) , ⋯ f i ( x N ) } z_{i}=min\left \{ f_{i}\left ( x^{1} \right ),f_{i}\left ( x^{2} \right ) ,\cdots f_{i}\left ( x^{N} \right )\right \} zi=min{fi(x1),fi(x2),⋯fi(xN)},即每个目标分量上的最大值或最小值(视优化问题而定,这里是最小化优化);
4)创建一个外部种群(EP)用于存储过程优秀个体,初始为空。
Step2:种群更新
对于每个 i i i都做以下操作:
1)从邻集 B ( i ) B\left ( i \right ) B(i)中随机取两个序号 k , l k,l k,l利用基因重组遗传算子让 x k x^{k} xk和 x l x^{l} xl产生新解 y y y;
2)对 y y y 运用基于测试你问题的修复和改进启发产生 y , y^{,} y, ;
对0/1背包问题
在随机生成解得同时,我们有可能获得一个没有完全符合解约束的解,这时候需要进行修复
k = a r g m i n j ∈ J g ( y ) − g ( y j − ) ∑ i ∈ I w i j k= arg min_{j\in J}\frac{g\left ( y \right )-g\left ( y^{j-} \right )}{\sum_{i\in I}^{ }w_{ij}} k=argminj∈J∑i∈Iwijg(y)−g(yj−)
可利用上式修复, g g g为目标函数,如果分母影响最大同时又对分子影响最小的y存在,那么我们将这个y从解中去掉,反复循环,可知当前解符合要求。
3)更新 z ∗ ⃗ \vec{z^{*}} z∗
,判断 y , y^{,} y,是否可能替换原有极值;
4)更新领域解 B ( i ) B\left ( i \right ) B(i),对于领域中每个权值向量 λ j \lambda ^{j} λj,如果得到优化,则更新;
5)更新外部种群EP,从EP中移除所有被 F ( y , ) F\left ( y^{,} \right ) F(y,)支配的解,如果不存在这的解,则将 F ( y , ) F\left ( y^{,} \right ) F(y,)加入EP中。
Step3:条件终止
根据停止条件停止,停止并输出EP,否则重复步骤2。
结论
MOEA/D相比于NSGA-II和MOGLS有较低的计算复杂度,同时解得质量又很高;可以解决不连续优化问题;对T参数不敏感,且计算成本是线性增长。——中文原文
最后任然要感谢以下博客对我的帮助
多目标优化系列(三)MOEA/D
多目标优化算法的理解:线性加权法
多目标进化算法(MOEA)概述
多目标优化问题中常见分解方法的理解
MOEA/D: A Multiobjective Evolutionary Algorithm Based on Decomposition
中文链接:https://wenku.baidu.com/view/d163a04d915f804d2a16c102.html