多目標優化演算法的原理

❶ 多目標優化演算法有哪些

主要內容包括：多目標進化演算法、多目標粒子群演算法、其他多目標智能優化演算法、人工神經網路優化、交通與物流系統優化、多目標生產調度和電力系統優化及其他。

❷ 學習多目標優化需要掌握哪些python知識

多目標優化

目標優化問題一般地就是指通過一定的優化演算法獲得目標函數的最優化解。當優化的目標函數為一個時稱之為單目標優化(Single-
objective Optimization Problem,
SOP)。當優化的目標函數有兩個或兩個以上時稱為多目標優化(Multi-objective Optimization Problem,
MOP)。不同於單目標優化的解為有限解，多目標優化的解通常是一組均衡解。

多目標優化演算法歸結起來有傳統優化演算法和智能優化演算法兩大類。
1. 傳統優化演算法包括加權法、約束法和線性規劃法等，實質上就是將多目標函數轉化為單目標函數，通過採用單目標優化的方法達到對多目標函數的求解。
2. 智能優化演算法包括進化演算法（Evolutionary Algorithm, 簡稱EA）、粒子群演算法（Particle Swarm Optimization, PSO）等。

Pareto最優解：

若x*∈C*,且在C中不存在比x更優越的解x，則稱x*是多目標最優化模型式的Pareto最優解，又稱為有效解。
一般來說，多目標優化問題並不存在一個最優解，所有可能的解都稱為非劣解，也稱為Pareto解。傳統優化技術一般每次能得到Pareo解集中的一個，而
用智能演算法來求解，可以得到更多的Pareto解，這些解構成了一個最優解集，稱為Pareto最優解。它是由那些任一個目標函數值的提高都必須以犧牲其
他目標函數值為代價的解組成的集合,稱為Pareto最優域，簡稱Pareto集。

Pareto有效(最優)解非劣解集是指由這樣一些解組成的集合：與集合之外的任何解相比它們至少有一個目標函數比集合之外的解好。

求解多目標優化問題最有名的就是NSGA-II了，是多目標遺傳演算法，但其對解的選擇過程可以用在其他優化演算法上，例如粒子群，蜂群等等。這里簡單介紹一下NSGA-II的選擇演算法。主要包含三個部分：
1. 快速非支配排序
要先講一下支配的概念，對於解X1和X2，如果X1對應的所有目標函數都不比X2大（最小問題），且存在一個目標值比X2小，則X2被X1支配。
快速非支配排序是一個循環分級過程：首先找出群體中的非支配解集，記為第一非支配層，irank=1（irank是個體i的非支配值），將其從群體中除去，繼續尋找群體中的非支配解集，然後irank=2。
2. 個體擁擠距離
為了使計算結果在目標空間比較均勻的分布，維持種群多樣性，對每個個體計算擁擠距離，選擇擁擠距離大的個體，擁擠距離的定義為：
L[i]d=L[i]d+(L[i+1]m−L[i−1]m)/(fmaxm−fminm)
L[i+1]m是第i+1個個體的第m目標函數值，fmaxm 和 fminm是集合中第m個目標函數的最大和最小值。
3. 精英策略選擇
精英策略就是保留父代中的優良個體直接進入子代，防止獲得的Pareto最優解丟失。將第t次產生的子代種群和父代種群合並，然後對合並後的新種群進行非支配排序，然後按照非支配順序添加到規模為N的種群中作為新的父代。

❸ 多目標優化演算法的多目標是什麼意思

多目標優化的本質在於，大多數情況下，某目標的改善可能引起其他目標性能的降低，同時使多個目標均達到最優是不可能的，只能在各目標之間進行協調權衡和折中處理，使所有目標函數盡可能達到最優，而且問題的最優解由數量眾多，甚至無窮大的Pareto最優解組成。

❹ 多目標優化可以用哪些方法

一般有兩大類方法，一列是通過加權把多目標演算法整合為單目標演算法，得到唯一一個解，一個是nasa
方法，使用支配解集和非支配解集概念，得到多組解

❺ pso的多目標優化

在多目標優化問題中，每個目標函數可以分別獨立進行優化，然後為每個目標找到最優值。但是，很少能找到對所有目標都是最優的完美解，因為目標之間經常是互相沖突的，只能找到Pareto最優解。
PSO演算法中的信息共享機制與其他基於種群的優化工具有很大的不同。在遺傳演算法（GA）中，染色體通過交叉互相交換信息，是一種雙向信息共享機制。但是在PSO演算法中，只有gBest（或nBest）給其他微粒提供信息，是一種單向信息共享機制。由於點吸引特性，傳統的PSO演算法不能同時定位構成Pareto前鋒的多個最優點。雖然通過對所有目標函數賦予不同的權重將其組合起來並進行多次運行，可以獲得多個最優解，但是還是希望有方法能夠一次同時找到一組Pareto最優解。
在PSO演算法中，一個微粒是一個獨立的智能體，基於其自身和同伴的經驗來搜索問題空間。前者為微粒更新公式中的認知部分，後者為社會部分，這二者在引導微粒的搜索方面都有關鍵的作用。因此，選擇適當的社會和認知引導者（gBest和pBest）就是MO-PSO演算法的關鍵點。認知引導者的選擇和傳統PSO演算法應遵循相同的規則，唯一的區別在於引導者應按照Pareto支配性來確定。社會引導者的選擇包括兩個步驟。第一步是建立一個從中選取引導者的候選池。在傳統PSO演算法中，引導者從鄰居的pBest之中選取。而在MO-PSO演算法中更常用的方法是使用一個外部池來存儲更多的Pareto最優解。第二步就是選擇引導者。gBest的選擇應滿足如下兩個標准：首先，它應該能為微粒提供有效的引導來獲得更好的收斂速度；第二，它還需要沿Pareo前鋒來提供平衡的搜索，以維持種群的多樣性。文獻中通常使用兩種典型的方法：（1）輪盤選擇模式，該方式按照某種標准進行隨機選擇，其目的是維持種群的多樣性；（2）數量標准：按照某種不涉及隨機選擇的過程來確定社會引導者。
Moore最早研究了PSO演算法在多目標優化中的應用，強調了個體和群體搜索二者的重要性，但是沒有採用任何維持多樣性的方法。Coello在非劣最優概念的基礎上應用了一個外部「容器」來記錄已找到的非支配向量，並用這些解來指導其它微粒的飛行。Fieldsend採用一種稱為支配樹的數據結構來對最優微粒進行排序。Parsopoulos應用了權重聚合的方法。Hu應用了動態鄰域，並在此基礎上利用擴展記憶，按詞典順序依次優化各個目標。Ray使用聚集機制來維持多樣性，並用一個多水平篩來處理約束。Lu使用了動態種群策略。Bartz-Beielstein採用歸檔技術來提高演算法性能。Li在PSO演算法中採用NSGA-II演算法中的主要機制，在局部最優微粒及其後代微粒之間確定局部最優微粒；並此基礎上又提出一種新的演算法，在適應值函數中使用最大最小策略來確定Pareto支配性。張利彪使用多個目標函數下各最優位置的均值來指導微粒飛行。Pulido使用多個子種群並採用聚類技術來求解多目標規劃問題。Mahfouf採用加權聚合方法來計算微粒的適應值，並據此確定引導微粒的搜索。Salazar-Lechuga使用適應值共享技術來引導微粒的搜索。Gong提出微粒角度的概念，並使用最小微粒角度和微粒密度來確定局部最優和全局最優微粒。基於AER模型，Zhang提出一種新的智能PSO模型，來將種群驅向Pareto最優解集。Ho提出一種新的適應值分配機制，並使用壽命（Age）變數來保存和選擇最優歷史記錄。Huang將CLPSO演算法應用到多目標規劃中。Ho提出另一種基於Pareto的與尺度無關的適應值函數，並使用一種基於正交試驗設計的智能運動機制（IMM）來確定微粒的下一步運動。Branke系統研究了多種個體最優微粒的選擇方法對MOPSO演算法性能的影響。張勇考慮儲備集更新策略在多目標PSO演算法中的關鍵作用，提出一種兩階段儲備集更新策略。
原萍提出一種分布式PSO演算法—分割域多目標PSO演算法（DRMPSO），並將其應用到基站優化問題。向量評價PSO演算法（VEPSO）是一種受向量評價遺傳演算法（VEGA）的啟發提出的一種演算法，在VEPSO演算法中，每個種群僅使用多個目標函數之一來進行評價，同時各種群之間互相交互經驗。將每個種群分配到一台網路PC上，即可直接使VEPSO演算法並行化，以加速收斂。Vlachogiannis應用並行VEPSO演算法來確定發電機對輸電系統的貢獻。熊盛武利用PSO演算法的信息傳遞機制，在PSO演算法中引入多目標演化演算法常用的歸檔技術，並採用環境選擇和配對選擇策略，使得整個群體在保持適當的選擇壓力的情況下收斂於Pareto最優解集。
由於適應值的計算非常消耗計算資源，為了減少計算量，需要減少適應值評價的次數。Reyes-Sierra採用適應值繼承和估計技術來實現該目標，並比較了十五種適應值繼承技術和四種估計技術應用於多目標PSO演算法時的效果。
保持MOPSO中的多樣性的方法主要有兩種：sigma方法和ε-支配方法。Villalobos-Arias在目標函數空間中引入條塊劃分來形成聚類，從而保持多樣性。

❻ 什麼是多目標優化問題

多目標就是多個目標實現，比如車間調度：既要實現短的生產周期、又要低成本、高的設備利用率、還要質量要求。多目標一般前置多條件約束，且條件還是多項式不確定問題，屬於N-P難題。