左明成,巩敦卫 | 深度嵌入适应度评估分配策略的约束多目标进化优化方法
文摘
科技
2024-12-20 12:02
北京
![]()
![]()
文章下载
左明成，巩敦卫. 深度嵌入适应度评估分配策略的约束多目标进化优化方法. 中国科学：信息科学, 2024, 54(12): 2811-2827. doi: 10.1360/SSI-2024-0025
![]()
本研究的意义在于应对约束多目标优化问题中的一个关键挑战，即如何在全局搜索空间中高效分配适应度评估资源，同时实现解方案的可行性、收敛性和多样性的平衡。这对于许多实际问题的求解具有重要意义，因为大量实际问题都可以归结为约束多目标优化问题。本文提出的深度嵌入适应度评估分配策略的约束多目标进化优化方法，通过识别搜索空间中的重点区域来引导种群高效进化，这一创新方法不仅可以提高求解效率，还能够提升解的质量。 该方法的普适性使其能够嵌入已有的进化算法，从而在不同程度上提升这些算法的性能，这为约束多目标优化领域的研究提供了新的思路和工具。此外，该方法在33个基准测试问题和15个矿山综合能源系统运行优化问题上的成功应用，证明了其在理论和实际应用中的有效性，为解决复杂的工程优化问题提供了有力支持。这项研究不仅推动了约束多目标优化算法的发展，也为相关领域的实际应用提供了新的解决方案，具有重要的理论和实践价值。为了解决上述问题，本文提出深度嵌入适应度评估分配策略的约束多目标进化优化方法。该方法首先采用去噪自编码器设计进化种群的降维模型，获取种群在低维空间的流形；然后，在低维空间中聚类种群数据，获得每类种群约束违反度的方差，辅助感知适合每一种群个体的低维全局和局部搜索范围；最后，基于去噪自编码器获得种群个体的原始空间搜索范围，准确分配适应度评估资源。(1) 由低维空间向高维空间迁移进化知识的方式新。与现有知识引导进化优化的算法相比，在低维空间挖掘的进化知识特征明显，获取进化知识的效率高，能有效降低计算资源消耗。(2) 基于低维空间获取不同约束关联关系的方法新。与现有在原始空间对约束分类的方法相比，低维空间的变量能关联更多约束，有利于识别不同约束间的耦合关系。 (3) 通过低维种群分布感知进化搜索范围的方法新。与现有通过调整进化参数确定搜索范围的算法相比，根据低维种群分布所感知到的搜索范围更加精确，有助于算法的自主求解。本文选择求解约束多目标优化问题的最新算法C-MOEA-MS，AGEMOEA-II和AR-MOEA，以及典型算法NSGA-II，作为本文所提方法的嵌入对象，并将算法变体表示为“DEO-*”。通过对比有无引导策略嵌入时算法的性能，验证本文方法的有效性。选择求解约束多目标优化问题的典型算法CMOEA\D，C-TAEA，IDBEA，LMOCSO，MOCell，MOEA\DD，MSCMO，MSOPS-II，MaOEAIT，POCEA，RVEAa，Top和GDE3作为DEO-C-MOEA-MS的对比算法，验证DEO的综合性能。![]()
![]()
进行如下6组实验。第1组通过对比4种性能优越的约束多目标优化算法，验证本文方法在基准测试问题的有效性；第2组通过对比13种性能优越的约束多目标优化进化优化算法，验证本文方法在基准测试问题的综合性能；第3组通过对比最新发表的PKAEO算法，验证本文方法对比其它深度学习进化优化算法的性能优势；第5、6组分别研究了参数μ，γ和q对算法性能的影响。此外，图1给出了DEO-NSGA-II找到的帕累托前沿和指定解的供能与用能情况，在满足矿山生产用能的前约束下，DEO-NSGA-II能优化用能成本和碳排放目标。![]()
图 1 解方案中对设备出力的调度情况以及优化模型中的关键参数
![]()
![]()
