CN103870696A - 一种基于局部-全局联合引导的多目标优化协同进化方法 - Google Patents
一种基于局部-全局联合引导的多目标优化协同进化方法 Download PDFInfo
- Publication number
- CN103870696A CN103870696A CN201410102334.XA CN201410102334A CN103870696A CN 103870696 A CN103870696 A CN 103870696A CN 201410102334 A CN201410102334 A CN 201410102334A CN 103870696 A CN103870696 A CN 103870696A
- Authority
- CN
- China
- Prior art keywords
- population
- vector
- evolutionary
- global
- function
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于局部-全局联合引导的多目标优化协同进化方法,该方法将一类多目标优化问题划分为全局目标fG和一系列局部目标fj,采用协同进化方式由各fj和评估向量B驱动各决策变量xi协同进化;进化过程中由fG选择刷新B,决策变量种群最终产生趋于fG和各fj优化要求的Pareto解集。经过计算可获得各局部目标f1,f2,f3,…,fh和全局目标fG优化要求的Pareto解集;算法过程完成后,最后的评估向量Bt可作为fG的当前最优解;算法过程完成后,各fj的当前最优解可用Bt及fj评估P1 t,P2 t,P3 t,…,Pn t获得。本发明所公开的方法具有较高的求解效率,同时具有较高的并行性,可以以并行方式运行。
Description
技术领域
本发明公开了一种基于局部-全局联合引导的多目标优化协同进化方法,涉及多目标优化技术领域。
背景技术
多目标优化问题是工程实践和科学研究中的重要问题,求解多目标优化问题(MOP)的传统方法是将MOP转化为多个不同的单目标优化问题分别加以求解,多目标规划问题的有效解也称为Pareto最优解,而对于Pareto前端为非凸的情形则不能求出所有的Pareto最优解,并且计算量较大。用进化计算解决多目标优化是近年被研究的有效方法,进化算法求解MOP具有良好的适用性,进化多目标优化已成为进化计算领域的研究热点之一。近年来国内外学者相继提出了多种不同的进化算法,如NSGA、NPGA、FFGA、SPEA和NSGA-II等。这些算法都从不同的角度对MOP进行了求解,在解决非凸性,阻止种群分化等方面取得了较好的性能,但算法都比较复杂,时间复杂度较高,计算量大,受搜索空间维数增加的影响较大。
发明内容
本发明所要解决的技术问题是:针对现有技术的缺陷,提供一种基于局部-全局联合引导的多目标优化协同进化方法,为进化多目标优化技术提供了一种新模式。该方法将一类多目标优化问题划分为全局目标fG和一系列局部目标fj,采用协同进化方式由各fj和评估向量B驱动各决策变量xi协同进化;进化过程中由fG选择刷新B,决策变量种群最终产生趋于fG和各fj优化要求的Pareto解集。该方法具有较高的求解效率。
本发明为解决上述技术问题采用以下技术方案:
一种基于局部-全局联合引导的多目标优化协同进化方法,对于多目标优化问题:
采用协同进化方式在决策向量空间Ωj和Ω中协同进化决策向量X,产生满足fG和fj优化要求的Pareto解集,具体步骤如下:
步骤(1)创建对应于x1,x2,x3,…,xn的初始种群P1 0,P2 0,P3 0,…,Pn 0,在进化代数计数器中设置t=0,其中t为种群进化的代数;
步骤(2)建立初始评估向量B0=(b1 0,b2 0,b3 0,…,bn 0),初始评估向量的各个分量初始值分别从P1 0,P2 0,P3 0,…,Pn 0中随机选取;
步骤(3)结合当前评估向量Bt和各局部目标函数fj(Xj),评估当前各种群P1 t,P2 t,P3 t,…,Pn t中所有个体的适应度;
步骤(4)依据步骤(3)得到的个体适应度值,种群P1 t,P2 t,P3 t,…,Pn t分别按各自的进化算法进行进化,得到新一代种群P1 t+1,P2 t+1,P3 t+1,…,Pn t+1;
步骤(5)结合当前评估向量Bt和全局目标函数fG(X),评估各种群P1 t+1,P2 t+1,P3 t+1,…,Pn t+1中所有个体的适应度;
步骤(6)使用各Pi t+1中对fG的最优个体替换当前评估向量Bt的对应分量bi t,形成新的评估向量B,其中i=1,2,3,…,n;
步骤(7)在进化代数计数器中设置t=t+1;
步骤(8)判断协同进化终止条件是否满足,若未满足则转步骤(3),若已满足则转步骤(9);
步骤(9)进化过程停止,最后一代种群P1 t,P2 t,P3 t,…,Pn t中包含所求的决策向量X=(x1,x2,x3,…,xn)的Pareto解集。
作为本发明的进一步优选技术方案,所述步骤(5)和步骤(6)中,评估任一种群Pi t+1中所有个体适应度及相关bi t更新操作的具体方式如下:
设对应全局目标函数fG(X)的适应值函数为FG(X),则种群Pi t+1中任一个体di t+1的全局适应值为FG(b1 t,b2 t,…,di t+1,…,bn t),设其中适应值最大的个体为di Max t+1,则bi t被diMax t+1更新。
作为本发明的进一步优选技术方案,所述步骤(3)中,评估任一种群Pi t中所有个体适应度的过程为:
设Xj=(xi,xk,xl,xm),其中xi,xk,xl,xm∈{x1,x2,x3,…,xn},对应局部目标函数fj(Xj)的适应值函数为Fj(Xj),则种群Pi t中任一个体di t的适应值为Fj(bi t,bk t,bl t,bm t)。
本发明采用以上技术方案与现有技术相比,本发明所公开的方法具有较高的求解效率,同时具有较高的并行性,可以以并行方式运行。具体来说可以产生以下技术效果:
①产生趋于各局部目标f1,f2,f3,…,fh和全局目标fG优化要求的Pareto解集;
②算法过程完成后,最后的评估向量Bt可作为fG的当前最优解;
③算法过程完成后,各fj的当前最优解可用Bt及fj评估P1 t,P2 t,P3 t,…,Pn t获得。
附图说明
图1是局部-全局联合引导的多目标优化协同进化方法的结构示意图。
图2是协同进化方法中的局部-全局联合引导机制示意图。
图3是本发明的算法总体流程图。
图4是本发明的一类应用***及其目标结构示意图。
具体实施方式
对于一类多目标优化问题:
其中,fG为全局目标函数,fj为局部目标函数,j=1,2,3,…,h;h为局部目标数,且:
X∈Ω,Ω为满足约束的n维向量空间子集;
Xj∈Ωj,
为求解该类多目标优化问题,本发明采用协同进化方式在决策向量空间Ωj和Ω中协同进化决策向量X=(x1,x2,x3,…,xn),产生趋于fG和各fj优化要求的Pareto解集。
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明所采用的局部-全局多目标优化的协同进化结构如图1所示。其中,P1、P2、P3、…、Pn为进化x1、x2、x3、…、xn对应的种群,EAi为相应的进化算法,其中i=1,2,3,…,n。各EAi可以相同,也可以不同。各种群Pi在局部目标f1,f2,f3,…,fh和全局目标fG的联合引导下协同进化。
具体的联合引导机制如图2所示。图2给出的是任一种群Pi在协同进化中的局部-全局联合引导机制,其中,b1、b2、b3、…、bn是评估向量B的各分量,也即协同进化中各种群个体适应度评估时用的代表个体。fj(Xj)为任一局部目标函数,其Xj的分量包含xi,fG(X)为全局目标函数。Pi t为第t代Pi,Pi t+1为第t+1代Pi。在协同进化时,Pi t中的个体由fj(Xj)结合当前评估向量B中相应的分量进行适应度评估,之后,经过进化操作产生对fj(Xj)适应度更高的新种群Pi t+1。
评估向量B在各种群每进化一代就更新一次,其任一分量bi的更新操作如下:由fG(X)结合当前评估向量B对Pi t+1中的所有个体进行适应度评估,提取其中的最优个体取代当前评估向量B中的对应分量bi。
可以看到,评估向量B的更新演化是由fG(X)引导驱动的,蕴含了全局目标的要求;而蕴含了全局目标要求的评估向量B又通过结合局部目标函数f1,f2,f3,…,fh引导驱动所有种群P1,P2,P3,…,Pn协同进化。最终,必将使P1,P2,P3,…,Pn种群中的个体趋于满足各局部目标f1,f2,f3,…,fh和全局目标fG优化要求的Pareto解集。
本算法的总体流程如图3所示,主要算法步骤如下:
(1)创建对应于决策变量x1,x2,x3,…,xn的初始种群P1 0,P2 0,P3 0,…,Pn 0,进化代数计数器t=0;
(2)建立初始评估向量B0=(b1 0,b2 0,b3 0,…,bn 0),各分量初始值对应从P1 0,P2 0,P3 0,…,Pn 0中随机选取;
(3)结合当前评估向量Bt和各局部目标函数fj(Xj),评估各种群P1 t,P2 t,P3 t,…,Pn t中所有个体的适应度;
(4)依据个体适应度值,种群P1 t,P2 t,P3 t,…,Pn t分别按各自的进化算法进行进化,得到新一代种群P1 t+1,P2 t+1,P3 t+1,…,Pn t+1,此处的进化算法包括各种适用的进化算法,如标准遗传算法及其各种改进算法等等;
(5)结合当前评估向量Bt和全局目标函数fG(X),评估各种群P1 t+1,P2 t+1,P3 t+1,…,Pn t+1中所有个体的适应度;
(6)将各Pi t+1中对fG的最优个体替换当前评估向量Bt的对应分量bi t,形成新的评估向量B;
(7)t=t+1;
(8)协同进化终止条件未满足,则转第(3)步,所述的终止条件可根据应用的需要进行设置,如最大进化代数或最小误差要求等等;
(9)协同进化终止条件满足,则进化过程停止,最后一代种群P1 t,P2 t,P3 t,…,Pn t中就包含了所求的决策向量X=(x1,x2,x3,…,xn)的Pareto解集。
本发明的一类应用***及其目标结构如图4所示。图4中,X=(x1,x2,x3,…,xn)为***的全局决策向量(或优化变量);各子***的局部决策向量Xj的分量是{x1,x2,x3,…,xn}的子集。h个互相关联的子***构成了整个***。子***j优化的局部目标函数是fj(Xj),通过局部决策向量X1,X2,X3,…,Xh对局部目标函数f1(X1),f2(X2),f3(X3),…,fh(Xh)寻优,使各子***得到优化。fG(x1,x2,x3,…,xn)(即fG(X))是***全局目标函数,它反映了***的整体性能或利益,涉及***的全部优化变量。通过全局决策向量X对fG(X)寻优,使***整体得到优化。
本发明对***优化实施方式和过程
①创建对应于***全部优化变量x1,x2,x3,…,xn的初始种群P1 0,P2 0,P3 0,…,Pn 0;进化代数计数器t=0。
②建立初始评估向量B0=(b1 0,b2 0,b3 0,…,bn 0),各分量初始值对应从P1 0,P2 0,P3 0,…,Pn 0中随机选取。
③结合当前评估向量Bt=(b1t,b2 t,b3 t,…,bn t)和各局部目标函数fj(Xj),评估各种群P1 t,P2 t,P3 t,…,Pn t中所有个体的适应度。
其中评估任一种群Pi t中所有个体适应度的具体方式如下例:
不失一般性,设Xj=(xi,xk,xl,xm),其中xi,xk,xl,xm∈{x1,x2,x3,…,xn};
对应局部目标函数fj(Xj)的适应值函数为Fj(Xj)。
则,种群Pi t中任一个体di t的适应值为Fj(bi t,bk t,bl t,bm t)。
④依据个体适应度值,种群P1 t,P2 t,P3 t,…,Pn t分别按各自的进化算法进行进化,得到新一代种群P1 t+1,P2 t+1,P3 t+1,…,Pn t+1。
⑤结合当前评估向量Bt=(b1 t,b2 t,b3 t,…,bn t)和全局目标函数fG(X),评估各种群P1 t+1,P2 t+1,P3 t+1,…,Pn t+1中所有个体的适应度,并将各Pi t+1中对fG的最优个体替换当前评估向量Bt的对应分量bi t,形成新的评估向量B。
其中评估任一种群Pi t+1中所有个体适应度及相关bi t更新操作的具体方式如下:
设对应全局目标函数fG(X)的适应值函数为FG(X),则
种群Pi t+1中任一个体di t+1的全局适应值为FG(b1 t,b2 t,…,di t+1,…,bn t)
设其中适应值最大的个体为diMax t+1,则bi t被diMax t+1更新。
⑥t=t+1
⑦优化过程终止条件未满足,则转③继续优化。
⑧优化过程终止条件满足,则***优化过程停止,最后一代种群P1 t,P2 t,P3 t,…,Pn t中就包含了***对局部目标函数f1(X1),f2(X2),f3(X3),…,fh(Xh)和全局目标函数fG(X)多目标优化的Pareto解集。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (3)
1.一种基于局部-全局联合引导的多目标优化协同进化方法,其特征在于:对于多目标优化问题:
采用协同进化方式在决策向量空间Ωj和Ω中协同进化决策向量X,产生满足fG和fj优化要求的Pareto解集,具体步骤如下:
步骤(1)创建对应于x1,x2,x3,…,xn的初始种群P1 0,P2 0,P3 0,…,Pn 0,在进化代数计数器中设置t=0,其中t为种群进化的代数;
步骤(2)建立初始评估向量B0=(b1 0,b2 0,b3 0,…,bn 0),初始评估向量的各个分量初始值分别从P1 0,P2 0,P3 0,…,Pn 0中随机选取;
步骤(3)结合当前评估向量Bt和各局部目标函数fj(Xj),评估当前各种群P1 t,P2 t,P3 t,…,Pn t中所有个体的适应度;
步骤(4)依据步骤(3)得到的个体适应度值,种群P1 t,P2 t,P3 t,…,Pn t分别按各自的进化算法进行进化,得到新一代种群P1 t+1,P2 t+1,P3 t+1,…,Pn t+1;
步骤(5)结合当前评估向量Bt和全局目标函数fG(X),评估各种群P1 t+1,P2 t+1,P3 t+1,…,Pn t+1中所有个体的适应度;
步骤(6)使用各Pi t+1中对fG的最优个体替换当前评估向量Bt的对应分量bi t,形成新的评估向量B,其中i=1,2,3,…,n;
步骤(7)在进化代数计数器中设置t=t+1;
步骤(8)判断协同进化终止条件是否满足,若未满足则转步骤(3),若已满足则转步骤(9);
步骤(9)进化过程停止,最后一代种群P1 t,P2 t,P3 t,…,Pn t中包含所求的决策向量X=(x1,x2,x3,…,xn)的Pareto解集。
2.如权利要求1所述的一种基于局部-全局联合引导的多目标优化协同进化方法,其特征在于:所述步骤(5)和步骤(6)中,评估任一种群Pi t+1中所有个体适应度及相关bi t更新操作的具体方式如下:
设对应全局目标函数fG(X)的适应值函数为FG(X),则种群Pi t+1中任一个体di t+1的全局适应值为FG(b1 t,b2 t,…,di t+1,…,bn t),设其中适应值最大的个体为di Max t+1,则bi t被diMax t+1更新。
3.如权利要求1所述的一种基于局部-全局联合引导的多目标优化协同进化方法,其特征在于:所述步骤(3)中,评估任一种群Pi t中所有个体适应度的过程为:设Xj=(xi,xk,xl,xm),其中xi,xk,xl,xm∈{x1,x2,x3,…,xn},对应局部目标函数fj(Xj)的适应值函数为Fj(Xj),则种群Pi t中任一个体di t的适应值为Fj(bi t,bk t,bl t,bm t)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410102334.XA CN103870696A (zh) | 2014-03-19 | 2014-03-19 | 一种基于局部-全局联合引导的多目标优化协同进化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410102334.XA CN103870696A (zh) | 2014-03-19 | 2014-03-19 | 一种基于局部-全局联合引导的多目标优化协同进化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103870696A true CN103870696A (zh) | 2014-06-18 |
Family
ID=50909221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410102334.XA Pending CN103870696A (zh) | 2014-03-19 | 2014-03-19 | 一种基于局部-全局联合引导的多目标优化协同进化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103870696A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105511270A (zh) * | 2016-02-04 | 2016-04-20 | 南京邮电大学 | 一种基于协同进化的pid控制器参数优化方法和*** |
CN109656267A (zh) * | 2018-12-24 | 2019-04-19 | 中国航空工业集团公司西安飞机设计研究所 | 飞行控制***并行协同试验方法 |
-
2014
- 2014-03-19 CN CN201410102334.XA patent/CN103870696A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105511270A (zh) * | 2016-02-04 | 2016-04-20 | 南京邮电大学 | 一种基于协同进化的pid控制器参数优化方法和*** |
CN105511270B (zh) * | 2016-02-04 | 2018-07-06 | 南京邮电大学 | 一种基于协同进化的pid控制器参数优化方法和*** |
CN109656267A (zh) * | 2018-12-24 | 2019-04-19 | 中国航空工业集团公司西安飞机设计研究所 | 飞行控制***并行协同试验方法 |
CN109656267B (zh) * | 2018-12-24 | 2022-03-15 | 中国航空工业集团公司西安飞机设计研究所 | 飞行控制***并行协同试验方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779372B (zh) | 基于改进免疫禁忌算法的农机调度方法 | |
CN109241291A (zh) | 基于深度强化学习的知识图谱最优路径查询***及其方法 | |
Feng et al. | Reinforcement learning based dynamic model selection for short-term load forecasting | |
CN104914835A (zh) | 一种柔性作业车间调度多目标的方法 | |
CN105045095B (zh) | 一种多无人机应急救灾任务分配方法 | |
CN106651043A (zh) | 一种求解多目标多车场带时间窗车辆路径问题的智能算法 | |
CN104616062A (zh) | 一种基于多目标遗传规划的非线性***辨识方法 | |
CN105117326A (zh) | 一种基于组合混沌序列的测试用例集生成方法 | |
CN104570997A (zh) | 一种用于金属结构件下料与加工排产集成优化方法 | |
CN105678401A (zh) | 一种基于策略适应性差分进化的全局优化方法 | |
CN111860990B (zh) | 面向多产品拆卸的多目标拆卸序列规划方法 | |
CN109583588A (zh) | 一种短期风速预测方法及*** | |
CN105608295A (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
CN111126707B (zh) | 能耗方程构建、能耗预测方法与装置 | |
CN104376382B (zh) | 面向大规模多Agent***的非对称分布式约束优化算法及*** | |
CN103870696A (zh) | 一种基于局部-全局联合引导的多目标优化协同进化方法 | |
CN105740949A (zh) | 一种基于随机性best策略的群体全局优化方法 | |
Sallam et al. | IMODEII: an Improved IMODE algorithm based on the Reinforcement Learning | |
CN104392317A (zh) | 一种基于遗传文化基因算法的项目调度方法 | |
Wang et al. | A hybrid bat algorithm for process planning problem | |
CN105760929A (zh) | 一种基于dfp算法和差分进化的分层全局优化方法 | |
CN107180262A (zh) | 一种基于分解的多目标优化方法 | |
CN103177403A (zh) | 一种综合停电检修计划的控制方法 | |
D’Ambrosio et al. | Optimizing cellular automata through a meta-model assisted memetic algorithm | |
Segura et al. | An analysis of the automatic adaptation of the crossover rate in differential evolution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140618 |