面向动态约束多目标优化的基于自适应分解的迁移学习方法

《Expert Systems with Applications》:Adaptive decomposition-based transfer learning for dynamic constrained multi-objective optimization

【字体: 大 中 小 】 时间:2026年01月23日 来源:Expert Systems with Applications 7.5

编辑推荐:

  动态约束多目标优化问题(Dynamic Constrained Multiobjective Optimization Problems,DCMOPs)的特征是目标函数和约束均随时间发生复杂变化。这种时变特性对现有优化算法提出了重大挑战,尤其是在快速追踪动态可

  
动态约束多目标优化问题(Dynamic Constrained Multiobjective Optimization Problems,DCMOPs)的特征是目标函数和约束均随时间发生复杂变化。这种时变特性对现有优化算法提出了重大挑战,尤其是在快速追踪动态可行域以及准确收敛到变化的动态约束Pareto最优前沿(Dynamic Constrained Pareto Optimal Front,DCPOF)方面。为应对上述挑战,本文提出了一种基于自适应分解的迁移学习(transfer learning)方法,记为ADTL。该方法引入自适应目标空间分解策略以准确定位动态可行域;当检测到新环境时,利用历史最优解对目标空间进行分解。为高效追踪DCPOF,提出一种基于个体的迁移学习策略,将当前环境中每个解与其最近的参考向量(reference vector)相关联,随后采用单层自动编码器(single-layer autoencoder,AE)学习历史最优解的特征并将历史知识迁移至当前种群。此外,为提高搜索效率,提出多样性与可行性增强策略,该策略评估预测种群的多样性和可行性,依据多样性水平引入随机解,并将不可行解重定位至可行域边界。在广泛使用的基础测试问题上的综合实验表明,与七种先进算法相比,所提算法在处理DCMOPs方面具有高度竞争力。
论文发表在《专家系统与应用》(Expert Systems with Applications)。研究背景方面,动态约束多目标优化问题(DCMOPs)广泛存在于原料配矿处理、催化裂化蒸馏过程、电力系统管理等实际场景中,其目标函数与约束均可能随时间变化,导致动态约束Pareto最优前沿(DCPOF)与可行域的形状、大小、位置发生复杂演化。目前存在的主要问题包括:算法需同时快速追踪由动态目标引起的DCPOF变化以及由动态约束引起的可行域变化;时变约束使历史上可行解在新环境中可能失效,削弱基于记忆或预测策略的效用;动态不可行域给同时维持多样性、可行性与收敛性带来困难,尤其在变化剧烈或可行域狭窄时种群多样性与可行性维护极为困难。现有基于分解的方法多采用预定义均匀分布的参考向量(reference vector),无法自适应变化的DCPOF形状,在窄可行域情形下大量参考向量落入不可行区,影响收敛与可行性;现有基于机器学习(machine learning)的预测方法多关注种群级预测与学习,忽视个体解与变化环境的交互,导致预测误差增大;多样性增强常凭经验引入随机解,缺乏理论依据。为此,研究人员开展了基于自适应分解的迁移学习(ADTL)研究,得出以下结论:所提自适应目标空间分解策略利用历史最优解构造自适应参考向量集,可自动适配DCPOF形状,有效追踪可行域边界并减少在不可行区的无效探索;所提基于个体的迁移学习策略通过参考向量建立当前种群个体与历史最优解的对应,利用单层自动编码器(AE)进行一对一知识迁移,相比传统种群级预测能有效降低由适应度较差个体引起的预测误差,加速种群收敛;所提多样性与可行性增强策略依据预定义参考向量评估预测种群多样性水平自适应引入随机解以拓宽搜索区域,并将不可行解与高多样性可行解交叉重定位至可行域边界以加强边界探索;在常用基准测试问题上综合实验表明ADTL相比七种先进动态约束多目标进化算法(Dynamic Constrained Multiobjective Evolutionary Algorithms,DCMOEAs)具有高度竞争力。该研究的意义在于为DCMOPs提供了自适应分解、个体级迁移学习、多样性与可行性协同增强的一体化动态响应框架,提升了时变约束与目标耦合场景下的收敛性、多样性与可行性平衡能力。
研究人员采用的主要关键技术方法包括:自适应目标空间分解策略,检测到新环境时利用历史最优解集合构造自适应参考向量(reference vector)以替代预定义均匀分布参考向量,实现目标空间按历史最优解分布进行子区域分解;基于个体的迁移学习(transfer learning)策略,通过为每个当前环境个体匹配最近参考向量以建立与历史最优解的对应关系,采用单层自动编码器(single-layer autoencoder,AE)学习历史最优解特征并映射迁移至当前种群个体,实现一对一知识迁移;多样性与可行性增强策略,用预定义参考向量评估预测种群在各子区域的覆盖情况以量化多样性水平,据此自适应生成并引入随机解,同时对不可行解采用与高多样性可行解的交叉操作将其重定位至可行域边界;基于分解的动态约束多目标进化算法(DCMOEA)框架作为静态优化器,结合约束处理技术(Constraint Handling Techniques,CHTs)进行进化选择;动态环境检测机制监测目标函数与约束变化以触发上述动态响应过程;实验在广泛使用的DCMOP基准测试集上运行,硬件为Intel Xeon Silver 4110 CPU、64 GB RAM、Windows 10,与七种先进DCMOEAs进行对比,分析性能指标、消融实验、运行时间与实时性能。
研究结果如下:
Introduction:研究人员通过问题分析指出DCMOPs面临三大挑战,即需同时快速追踪动态目标引起的DCPOF变化与动态约束引起的可行域变化、时变约束导致历史可行解失效削弱记忆或预测策略效用、动态不可行域使多样性可行性与收敛性难以兼顾;综述了现有DCMOEAs中初始化随机或变异解、混合历史可行Pareto最优解(Pareto Optimal Solutions,POS)与随机解、基于分解方法用固定参考向量、用Kalman滤波(Kalman Filter,KF)在可行子空间生成个体、基于迁移学习(transfer learning)用迁移成分分析(Transfer Component Analysis,TCA)映射历史POF、用支持向量回归(Support Vector Regression,SVR)构建预测模型、用去噪自动编码器(Denoising Autoencoder,DA)预测初始种群等方法的局限,包括固定参考向量不适应DCPOF变化且在窄可行域大量落入不可行区、约束显著变化时可行解样本不足降低模型精度、种群级预测忽视个体与环境交互增大误差、随机解比例缺乏理论依据、可行解过少时常规可行性策略失效;从而引出本文三个核心贡献。
Dynamic constrained multi-objective optimization problems:研究人员给出了DCMOPs的一般数学模型,包括最小化目标函数向量F(X,t)=(f1(X,t),…,fM(X,t))T,约束为gi(X,t)≤0(i=1,…,p)不等式约束与hj(X,t)=0(j=p+1,…,q)等式约束,X=(x1,…,xD)T∈Ω为D维决策向量,Ω?Rn为决策空间,t为时间(环境)变量;明确了时变特性使可行域、Pareto最优集(Pareto Optimal Set,POS)、动态约束Pareto最优前沿(DCPOF)均随t变化,构成求解难点。
Motivation:研究人员分析基于分解的方法对多目标优化(multiobjective optimization)有效,通过预定义均匀分布参考向量将目标空间划分子区域并在各子区域用传统选择机制平衡多样性与收敛性;但固定参考向量无法适应DCPOF形状变化,尤其约束导致可行域变窄时大量参考向量落不可行区,降低收敛与可行性;传统迁移学习或预测方法多聚焦种群级,忽视个体解与新环境交互,引起较大预测误差;多样性增强随意引入随机解缺乏依据,可行性策略在少可行解时效果不佳;从而 motivating自适应分解、个体级迁移、自适应多样性与可行性增强三者结合的ADTL设计。
Experimental study:研究人员设置了四项分析,即与多种先进DCMOEAs的性能比较、消融实验(ablation study)、运行时间分析、所提方法实时性能分析;所有算法在同一PC(Intel Xeon Silver 4110 CPU@2.10GHz双路、64 GB RAM、Windows 10)运行;在广泛使用的DCMOP基准测试问题上采用标准性能指标进行评价,通过综合实验验证ADTL的有效性与竞争优势。
Conclusion:研究人员总结提出ADTL方法用于动态约束多目标进化算法;检测到新环境时以历史最优解集作为参考向量分解目标空间,将当前环境每个解与最近参考向量关联,采用单层自动编码器(AE)从历史最优解提取知识迁移至当前种群,结合多样性与可行性增强策略自适应引入随机解并将不可行解重定位至可行域边界;综合实验表明ADTL在DCMOPs上相比七种先进算法具有高度竞争力;未来工作方向包括进一步拓展自适应分解与迁移学习在其他动态优化场景的应用等。
讨论部分总结:研究人员在讨论中强调,固定参考向量在DCPOF形状、可行域随时间复杂变化时效能受限,而自适应参考向量由历史最优解分布构造可连续逼近DCPOF并减少不可行区探索;个体级迁移通过参考向量建立当前个体与历史最优解的一一对应再用单层AE学习映射,比种群级预测更能降低适应度差个体带来的误差,加速收敛;多样性与可行性增强依据参考向量评估的多样性水平自适应加随机解,避免过多干扰收敛或过少损害多样性,不可行解与高多样性可行解交叉重定位至可行域边界加强了边界探索与可行性保障;消融实验证实三个核心模块各自贡献显著,联合使用效果最优;运行时间与实时性能分析显示ADTL的动态响应开销可控,适合需快速适应环境变化的场景;与七种先进DCMOEAs对比在收敛性、多样性、可行性多项指标上总体占优,尤其在约束时变剧烈、可行域狭窄的测试问题上优势明显。翻译研究结论部分:在这项工作中,研究人员提出了一种基于自适应分解的迁移学习(transfer learning)方法,称为ADTL,用于动态约束多目标进化算法。当检测到新环境时,利用历史最优解集作为参考向量(reference vector)对目标空间进行分解。此后,将当前环境中的每个解与其最近的参考向量相关联。随后采用单层自动编码器(single-layer autoencoder,AE)从历史最优解中提取知识并将其迁移至当前种群。此外,为提高搜索效率,提出了多样性与可行性增强策略,该策略评估预测种群的多样性和可行性,依据多样性水平引入随机解,并将不可行解重定位至可行域边界。在广泛使用的基础测试问题上的综合实验表明,与七种先进算法相比,所提算法在处理动态约束多目标优化问题(DCMOPs)方面具有高度竞争力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号