《Neurocomputing》:Hybrid Gaussian mixture model and Bayesian classification for predictive dynamic multi-objective optimization
编辑推荐:
动态多目标优化问题(Dynamic Multi-Objective Optimization Problems,DMOPs)是一类目标函数随时间动态变化且具有冲突性的优化问题,快速适应环境变化并有效跟踪移动的帕累托集(Pareto Set,PS)或帕累托前沿(
动态多目标优化问题(Dynamic Multi-Objective Optimization Problems,DMOPs)是一类目标函数随时间动态变化且具有冲突性的优化问题,快速适应环境变化并有效跟踪移动的帕累托集(Pareto Set,PS)或帕累托前沿(Pareto Front,PF)是核心挑战。基于预测的方法因有效性及广泛适用性成为近年研究热点,但现有预测技术多关注连续时间步间解的相关性,忽略解空间固有的全局连通性,易导致预测解偏离真实演化轨迹,引发算法收敛失败。为此,研究人员提出一种新型预测策略——GMCA-DMOEA(融合高斯混合模型与贝叶斯分类的动态多目标进化算法)。该框架首先采用高斯混合模型(Gaussian Mixture Model,GMM)对历史PS解进行全面聚类,随后通过基于中心点的快速非支配排序法将聚类结果划分为优质解集与劣质解集,并基于标注集训练高斯朴素贝叶斯分类器(Gaussian Naive Bayes Classifier,GNBC),用于预测新环境下初始种群的高质量片段。环境变化时,初始种群由上一环境的精英个体(经高斯变异)与GNBC预测个体共同构成。在DF基准测试集上的综合实验表明,与现有先进算法相比,该方法在大多数测试用例中能持续跟踪到多样性与分布性更优的PS解,显著提升了动态多目标优化算法的性能。
该研究针对动态多目标优化问题(DMOPs)在环境突变与周期性变化下的适应难题展开,发表于《Neurocomputing》。DMOPs广泛存在于能源调度、智能交通、无人机集群控制等领域,其核心在于实时跟踪随时间变化的帕累托集(PS)与帕累托前沿(PF)。现有主流预测方法多依赖相邻两代的历史解,忽略长周期历史最优解的结构信息,在环境出现非马尔可夫性突变或循环变化时易产生负迁移,导致种群初始化质量下降甚至收敛失败。为解决这一问题,研究人员开发了GMCA-DMOEA算法,通过融合概率聚类与质量感知选择机制,系统性复用多阶段历史存档解,在DF基准测试中实现了优于对比算法的PS跟踪性能,尤其在解的分布均匀性与多样性方面表现突出。
研究采用的关键技术方法包括:1)基于高斯混合模型(GMM)的全历史PS聚类,通过概率分布建模挖掘解空间的潜在结构;2)基于中心点的快速非支配排序(FNDS)划分优质与劣质解集,构建标注训练数据;3)高斯朴素贝叶斯分类器(GNBC)训练与预测,生成适配新环境的高质量初始解;4)精英个体高斯变异与分类预测的混合初始化策略,平衡探索与开发能力。实验数据来源于DF1至DF14标准测试集,涵盖双目标与三目标动态优化场景。
研究结果按章节展开如下:
动态多目标优化基础部分明确定义DMOPs的数学模型为min F(x,t)=(f1(x,t),…,fM(x,t))T,s.t. x∈Ω,其中t为时间变量,Ω为决策空间。研究指出当前算法分为多样性维持、预测、记忆、自适应与模型驱动五类,其中预测方法因对环境变化模式的捕捉能力被视为最具潜力方向,但短视的历史依赖是主要瓶颈。
基于高斯混合模型的动态多目标优化算法设计部分详细阐述了GMCA-DMOEA的流程:环境变化时,首先调用GMM对存储池中所有历史PS进行聚类,通过FNDS将聚类簇标记为优质/劣质子集;随后基于标注数据训练GNBC,利用其预测新环境下的潜在优质解区域;最终初始种群由两部分组成——上一环境精英个体的高斯变异后代(保留历史优良基因)与GNBC预测个体(引入新环境适应性)。该设计避免了直接迁移近期解可能带来的负迁移风险。
测试问题与参数设置部分采用DF1-DF14基准集验证性能,其中DF1-DF9为双目标问题,DF10-DF14为三目标问题,覆盖线性、非线性、周期性及突变等多种动态变化类型。实验设置统一种群规模与进化代数,确保对比公平性。
案例研究:水火电力系统调度部分将算法应用于实际能源调度场景,该问题需在满足电力供需平衡的前提下,同时优化经济成本与环境排放两个冲突目标,且水电出力受季节性径流影响呈现动态特性。研究结果表明GMCA-DMOEA能有效协调水火电机组出力,在动态约束下获得更均衡的调度方案。
结论与讨论部分指出,GMCA-DMOEA通过GMM的概率聚类与GNBC的分类预测形成协同机制:GMM驱动的变异加速高密度区域收敛,贝叶斯引导提升初始化质量,两者结合显著降低了对相邻代解的依赖。在突发环境变化下,变异组件的探索能力可缓解分类器性能下降的影响,增强算法鲁棒性。研究证实,系统性重用多阶段历史最优解可有效抑制负迁移,为动态优化中的知识迁移提供了新范式。
讨论与结论强调,该研究突破了传统预测方法对短时序历史的依赖,通过全历史PS的概率分解与质量筛选,实现了更精细的解空间探索。作者Tao Zhang(长江大学信息与数学学院院长,系统优化方向专家)团队指出,未来工作将聚焦于算法在高维动态约束问题中的扩展性,以及与深度强化学习的融合应用,进一步提升复杂动态环境下的自适应能力。研究未发现利益冲突,所有数据均来自公开基准集。