论文学习——基于枢轴点预测和多样性策略混合的动态多目标优化

论文题目:A dynamic multi-objective optimization based on a hybrid of pivot points prediction and diversity strategies

基于枢轴点预测和多样性策略混合的动态多目标优化(Jinhua Zheng a,b,d, Fei Zhou a,b,∗, Juan Zou a,b, Shengxiang Yang a,e, Yaru Hu a,c)Swarm and Evolutionary Computation 78 (2023) 101284

刚开始学习多目标优化算法,不作商业用途,如果有不正确的地方请指正!

个人总结:

挺简单明了又高效的算法

三个部分双重预测+多种群:

预测一:在目标空间根据找到每个目标轴的极值点作为参考点然后找到枢轴线不断扩充点,在环境变化时,根据前时刻的情况对下一个时刻的枢轴点进行预测

预测二:根据种群前两个时刻的中心点进行预测,在监测到环境变化不相似时,中心点的移动长度乘一个随机数L.(好像文章中没有讲到怎么判断环境变化是否相似)

多种群:根据前面时刻的种群确定每个决策变量的最大值最小值在进行随机产生解,相比直接产生随机解增加了一点点收敛性(如果ps值的的变化趋势时变大的情况这个策略可靠吗?).

随机选取了种群中5 %的个体作为检测器来检测环境变化。如果目标值之间存在不匹配,则将其视为环境改变了

Ppiv(枢轴点)和Prand(多种群产生的解的数量)的大小分别设置为0.3 N和0.7 N。

引言

目前存在的问题

基于多样性方法的劣势:        

        在处理复杂的环境变化时,这些策略并不能提供良好的性能,尤其是不规则变化的PF或PS

基于内存方法的劣势:

        对于非周期性问题,基于内存的策略可能会显示出较差的结果。

基于预测方法的劣势:

        在基于预测的策略中设置不合适的预测方法或者模型会影响总体的收敛和分布,此外在处理快速变化的环境,其性能可能会随着优化的进行而迅速下降。

基于多种群方法:

        前些日子复现的PBDMO就是多种群方法

本文提出的想法

提出了一种基于双重预测多样性策略混合的动态多目标优化策略.

  • 通过动态选择机制选择的一些个体(枢轴点)用于模拟PF或PS。然后,自回归模型预测环境变化后的枢轴点,以达到跟踪变化的PF或PS的目的
  • 将环境变化分为相似和不同的变化。当变化相似时,非支配个体结合非支配个体集合中心点的运动趋势,预测环境变化后的非支配个体。否则,在利用非支配个体集合中心点的运动趋势对非支配个体进行预测的同时,对预测结果进行前后推导,推导新的最优解。
  • 在相对准确的可行区域内随机生成搜索个体,在一定程度上提升了随机搜索个体的质量,可以保持种群的多样性

背景及相关工作

这里介绍了基础和DMOEA框架,在静态时使用RM-MEDA算法进行优化

提出框架与实施

提出了一种新的基于枢轴点预测的预测策略。在该预测策略中,如果检测到一个环境变化,那么对其做出响应的种群将由三个子种群组成。

A.Pivot point and predicting the pivot point set(枢轴点和预测合集)

首先初始化一个大小为N的种群,并建立一个存储池Q用于存储历史信息.然后在目标空间中通过动态选择机制迭代地选择枢轴点,并将枢轴点放入存储池Q中。下图展示了在一开始的三个时刻选择枢轴点的过程:

  • (找到极值点)设第j个坐标轴上的极值点为xj,令xj为以Y = ( Y1 , Y2 , ... , Yn)T为坐标轴方向,最小化聚集函数g ( x | Y )的解。这里,n表示决策空间的维数。极值点的数学表达式如式( 3 )所示:式中:x∈Ω;Y为坐标轴的权向量;J为第j维坐标轴。为了搜索第j个轴上的极值点,需要固定第j个维度上的方向,则第j个维度方向上的权重向量为wj = 1,其他方向上的权重向量为wn = 10e-6 。如图2所示,x1和x2是(标记为绿色的点)的极值点,x1和x2被放入Q中.此时,Q中有两个个体x1和x2 .

  • (建立枢纽)建立枢轴的前提是找到种群中与存储池Q中所有个体距离之和最大的个体,并以原点建立枢轴,用公式表达种群中个体xd与存储池Q中所有个体的距离之和.如图2所示,在第一次选择枢轴点的过程中,x3是种群中距离存储池Q中个体最远的个体。将x3与原点连接起来,形成一条称为支点的参考线。 

  • (找到枢轴点)计算目标空间中的个体与枢轴L的距离,为保证所选枢轴个体的收敛性,距离枢轴最近的个体即为本次选择过程中的枢轴点。设个体P的坐标为( xk , yk)。个体P到支点L的距离的数学表达式如式( 6 )所示:
  • 重复上述过程直到找到足够多的支点.

自回归预测模型对环境变化后的枢轴点进行预测,将枢轴点作为代表个体对PF或PS进行有效跟踪。支点的选取过程如算法1所示:

B.Predicting the non-dominant individual set(预测非支配个体集合)

环境变化时相似时

所有非支配点都会利用集合中心点的演化趋势进行演化。此时,t + 1时刻预测非支配个体的数学表达式如式( 7 )所示: 

Dcnonk t表示非支配个体集合中心点在时间步t的移动趋势

环境变化不相似时

利用非支配个体的当前位置和非支配个体集合中心点的移动趋势来预测非支配个体的下一个时间步。同时,推导出预测的非支配个体。推导操作是基于预测结果进行的;预测结果随机向前和向后移动λ次Dcnonk t。推导预测结果的操作如图3所示。针对这种不相似变化的预测策略的数学表达式如下:

 

伪代码如下:

 C.Generation mechanism of random search solutions to maintain population diversity(维持种群多样性的随机搜索生成机制)

假设随机搜索个体在决策空间中随机产生。在这种情况下,一些随机搜索个体可能会远离真实的PF,这种随机搜索个体的性能可能会影响种群的收敛性。如果能够明确随机搜索个体的生成区域,则可以在一定程度上降低该问题发生的概率。在前期工作的基础上,我们决定在通过预测得到的前两个子种群中选择最大值和最小值点来确定随机搜索个体的生成区域并运行.

在前两个子种群中,最大点( max )和最小点( min )分别是指决策空间中所有维度目标值最大和最小的个体

个体由随机生成 

伪代码如图所示

D.算法整体

伪代码

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/741360.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

mysql将一个表另存为新表,同时复制索引、约束、主键等信息

使用 SHOW CREATE TABLE 语句获取原表的创建语句: SHOW CREATE TABLE 原表名;将 原表名 替换为要复制的原始表的名称。 此语句将返回一个包含原表完整创建语句的结果集。创建语句包括表的结构、列定义、索引、约束、主键等所有信息。 复制结果集中的创建语句&…

java集合框架——Collection集合概述

前言 之前学过ArrayList,现在接触到更多集合了。整理下笔记,打好基础,daydayup! 集合体系结构 集合分为单列结合和双列结合,Collection代表单列集合,每个元素只包含一个值。Map代表双列集合,每个元素包含两…

HCIP —— BGP 的社团属性

目录 BGP 的社团属性 1.0X00000000 --- internet 2.0XFFFFFF02 --- no - advertise 3.0XFFFFFF01 --- no - export 4.0XFFFFFF03 --- no-export-subconfed 配置: 第一步:使用路由策略执行对流量打上社团属性 第二步:在对等体通告路由之…

智慧城市与绿色出行:共同迈向低碳未来

随着城市化进程的加速,交通拥堵、空气污染、能源消耗等问题日益凸显,智慧城市与绿色出行成为了解决这些问题的关键途径。智慧城市利用信息技术手段,实现城市各领域的智能化管理和服务,而绿色出行则强调低碳、环保的出行方式&#…

1.Python是什么?——《跟老吕学Python编程》

1.Python是什么?——《跟老吕学Python编程》 Python是一种什么样的语言?Python的优点Python的缺点 Python发展历史Python的起源Python版本发展史 Python的价值学Python可以做什么职业?Python可以做什么应用? Python是一种什么样的…

Servlet常见接口功能介绍

1.init()接口 在Servlet实例化后,Servlet容器会调用init()方法来初始化该对象,主要是为了是Servelt对象在处理客户请求前可以完成一些初始化工作。如:建立数据库的连接,获取配置信息…

如何配置极狐GitLab Runner Cache 缓存

本文作者:徐晓伟 GitLab 是一个全球知名的一体化 DevOps 平台,很多人都通过私有化部署 GitLab 来进行源代码托管。极狐GitLab 是 GitLab 在中国的发行版,专门为中国程序员服务。可以一键式部署极狐GitLab。 极狐GitLab Runner Cache 缓存 支…

第十五届蓝桥杯(Web 应用开发)模拟赛 3 期-大学组(被题目描述坑惨了)

目录 1.创意广告牌 2.原子化css 3.神秘咒语 4.朋友圈 5.美食蛋白揭秘 6.营业状态变更 7.小说阅读器 8.冰岛人 9.这是一个”浏览器“ 10.趣味加密解密 总结 1.创意广告牌 这个题目不多说了,只要知道这些css应该都能写出来,不会的平时多查查文…

C++第三弹---C++入门(下)

✨个人主页: 熬夜学编程的小林 💗系列专栏: 【C语言详解】 【数据结构详解】【C详解】 C入门 1、内联函数 1.1、概念 1.2、特性 2、auto关键字(C11) 2.1、类型别名思考 2.2、auto简介 2.3、auto的使用细则 2.3、auto不能推导的场景 …

【Axure视频教程】计算日期区间天数差

今天教大家怎么计算两个日期之间相差了多少天,本教程以输入框里填写日期区间为案例,输入日期后,点击等于按钮,就可以计算出两个日期之间相隔了多少天,如果开始日期大于结束日期,就会显示负多少天。具体效果…

探索Linux世界:基本指令(文件查看、时间相关、grep、打包压缩及相关知识)

今天继续介绍一些指令 文章目录 1.cat - 查看文件1.1输出重定向和追加重定向1.2指令echo 2.more 指令3.less - 逐页查看文本文件内容4.head- 显示文件开头部分内容5.tail - 显示文件末尾部分内容5.1输入重定向&#xff08;<&#xff09;5.2管道&#xff08;|&#xff09; 6.…

镭速教你如何解决大数据量串行处理的问题

大数据的高效处理成为企业发展的关键。然而&#xff0c;大数据量串行处理的问题常常困扰着许多企业&#xff0c;尤其是在数据传输方面。本文将探讨大数据量串行处理的常见问题&#xff0c;并介绍企业常用的处理方式&#xff0c;最后重点阐述镭速如何提供创新解决方案&#xff0…

吴恩达机器学习-未分级实验:过拟合(Overfitting)

解决过拟合 选择更多的数据选择特征&#xff08;特征选择&#xff09;减小参数大小&#xff08;归一化&#xff09; 目标 在本实验中&#xff0c;您将探索: 可能发生过拟合的情况一些解决方案 %matplotlib widget import matplotlib.pyplot as plt from ipywidgets import …

训练专门化的大型语言模型(LLM)现在更简单了

训练专门化的大型语言模型&#xff08;LLM&#xff09;现在更简单了 近年来&#xff0c;大型语言模型&#xff08;LLM&#xff09;的兴趣激增&#xff0c;但其训练需要昂贵的硬件和高级技术。幸运的是&#xff0c;通过先进的微调技术&#xff0c;如低秩适配&#xff08;LoRA&a…

無塵棉花棒:光電設備與光纖清潔的理想之選

在光電設備和光纖清潔用品的领域中&#xff0c;無塵棉花棒以其卓越的性能和特性&#xff0c;已然成為清潔設備端光纖插座的最佳選擇。它不仅具有出色的清潔效果&#xff0c;而且在使用過程中無棉絮、無矽&#xff0c;確保了清潔過程的高效和安全。 首先&#xff0c;無塵棉花棒…

Oracle数据库连接方式

在平时的开发和运维工作中经常会有连接数据库的需求&#xff0c;而连接Oracle数据库的方法有很多种&#xff0c;本文给大家介绍常用的3种方法。希望对大家有所帮助。 方法一&#xff1a;使用操作系统验证方式 $ sqlplus / as sysdba方法二&#xff1a;使用 easy connect 方式…

1261. 在受污染的二叉树中查找元素

1261. 在受污染的二叉树中查找元素 题目链接&#xff1a;1261. 在受污染的二叉树中查找元素 代码如下&#xff1a; /*** Definition for a binary tree node.* struct TreeNode {* int val;* TreeNode *left;* TreeNode *right;* TreeNode() : val(0), left(…

汽车行驶工况||汽车行驶工况构建|||工况导入AVL Cruise(附下载)

包含项目 NEDC——欧洲工况 CLTC-C——中国 CLTP-P——中国 JAP10——日本 等几十种工况&#xff0c;可导入其他工况至AVL cruise "在每一个级别的驾驶测试中&#xff0c;WLTP规程又设定了能够代表全球城市道路、高速公路、山路等路况条件下的测试规程。每个部分的测试时…

[数据湖iceberg]-hive集成数据湖读取数据的正确姿势

1 概述 Iceberg作为一种表格式管理规范&#xff0c;其数据分为元数据和表数据。元数据和表数据独立存储&#xff0c;元数据目前支持存储在本地文件系统、HMS、Hadoop、JDBC数据库、AWS Glue和自定义存储。表数据支持本地文件系统、HDFS、S3、MinIO、OBS、OSS等。元数据存储基于…

百度AI智能审核

一、介绍 百度内容审核平台&#xff08;Baidu Content Audit Platform&#xff09;是百度推出的一款用于进行内容审核的平台。该平台利用人工智能技术&#xff0c;对用户上传的各类内容进行审核和过滤&#xff0c;以实现内容的合规和安全&#xff0c;可以识别和过滤涉黄、涉政…