面向有约束多目标优化的动态竞争约束处理

《Swarm and Evolutionary Computation》:Dynamic competitive constraint handling for constrained multi-objective optimization

【字体: 大 中 小 】 时间:2026年08月29日 来源:Swarm and Evolutionary Computation 9.6

编辑推荐:

   摘要 在求解约束多目标优化问题(CMOPs)时,传统方法通常利用整体约束违反度,这掩盖了单个约束的独特作用。最近,基于约束分解或优先级排序的方法被提出,以单独考虑各个约束。然而,那些方法通常依赖于预定义的评估规则,缺乏动态利用单个独立约束的作用来增强对约束帕累托前沿(CPF

  

摘要

在求解约束多目标优化问题(CMOPs)时,传统方法通常利用整体约束违反度,这掩盖了单个约束的独特作用。最近,基于约束分解或优先级排序的方法被提出,以单独考虑各个约束。然而,那些方法通常依赖于预定义的评估规则,缺乏动态利用单个独立约束的作用来增强对约束帕累托前沿(CPF)探索的能力。为了克服这一局限性,提出了一种动态竞争约束处理算法(DCCHT)用于约束多目标优化。具体来说,DCCHT将具有??个约束的CMOP分解为??+1个不同的优化池,其中一个优化池考虑所有约束,另外??个优化池分别涉及总??个约束中的每个约束。不同优化池之间的信息交换通过一种所提出的双向知识转移策略来促进,该策略共享有价值的景观信息并加速整体收敛到全局可行域。每个优化池的持续进展根据约束的竞争力进行动态控制。通过一种反馈驱动的资源分配方法自适应地分配计算资源到优化池。更多的计算资源将被分配到其中所考虑的约束与真实CPF探索更具竞争力的优化池。在三个基准测试套件和各种现实世界工程问题上的大量实验证明了DCCHT相对于某些先进算法具有显著更好的性能。

引言

约束多目标优化问题(CMOPs)是指在一组约束下同时优化多个相互冲突的目标函数的优化任务[1]。在这类问题中,通常不可能获得同时优化所有目标的单一解;相反,目标是找到一组帕累托最优解,以表示各目标之间的权衡。一般来说,CMOP可以表述如下:

min???(??) = (????(??), ????(??), …, ????(??))?
s.t. ????(??) ≤ 0, ?? = 1, …, ??
???(??) = 0, ?? = ??+1, …, ??
?? ∈ ??

其中?? = (???, ???, …, ????)表示决策空间??中的??维决策向量;???(??)表示由??个相互冲突的目标函数组成的目标向量;????(??)和???(??)分别表示??个不等式约束和(?????)个等式约束。

为了在优化过程中定量评估解??的可行性,可以通过聚合所有约束的违反度来计算其整体约束违反度(CV)。正式地,??????(??)计算如下:

??????(??) = Σ???? max?(0, ????(??)) + Σ?????? max?(0, |???(??)| ? ??)

其中??是一个预定义的小正松弛参数(例如10??),用于松弛等式约束。相应地,解??被认为是可行的当且仅当??????(??) = 0;否则,它不可行。

复杂约束往往导致狭窄、非凸或高度离散的可行域,这大大增加了获得可行解的难度。此外,算法必须在可行域内平衡多个目标之间的权衡,同时保持可行性、收敛性和多样性。为了应对上述挑战,研究人员提出了各种约束处理技术(CHTs)。当前约束处理方式大致可以分为两大类,即约束违反度聚合和约束违反度分解。

基于约束违反度聚合的CHTs通过计算整体CV来引导搜索进入可行域。例如,惩罚函数方法[2]、[3],约束支配原理(CDP)[4]、[5]、[6],?-约束方法[7]、[8]、[9]和随机排序(SR)[10]、[11]、[12],所有这些通常都是基于约束违反度聚合的CHTs。随着CMOPs变得更加复杂,最近的研究提出了多种群算法,强调各种CHTs来协同优化目标函数和约束。例如,Wang等人[13]开发了一个多阶段多任务框架,维护多个种群,整合CDP和?-约束松弛技术以增强可行域探索。Qu等人[14]设计了一个双种群算法,其中一个种群忽略约束,而另一个种群采用CDP来协同探索有前景的边界区域。Ming等人[15]和Liang等人[16]开发了双种群框架,其中不同种群采用不同的约束松弛机制或优化目标来协同引导进化过程。简而言之,上述算法将所有约束视为一个整体,利用整体约束违反度来衡量解的可行性。这种约束违反度聚合能够平滑地探索全局可行域。然而,这种约束处理方式会忽略不同约束的固有差异和特定的景观信息。

与约束违反度聚合不同,基于约束违反度分解的CHTs倾向于通过约束分解或优先级排序来单独处理每个约束。例如,Ma等人[17]提出通过评估约束对无约束前沿的影响来确定约束处理优先级,分阶段引入约束以逐渐接近可行域。Sun等人[18]将优化过程分为无约束、单约束和完全约束阶段,使种群能够逐步向最终帕累托前沿移动。Zhou等人[19]基于子种群不可行率动态对复杂约束进行优先级排序,并通过基于轮盘的改进?-约束方法逐个松弛每个约束。值得注意的是,基于约束违反度分解的CHTs可以缓解约束违反度聚合的缺点,通过单独处理约束。然而,缺乏动态适应性,现有的约束分解策略和优先级排序通常依赖于固定的处理顺序或预定义的评估标准。在实际进化过程中,种群在高度动态的约束环境中进化。缺乏对全局进化过程的全面视角,刚性的约束处理规则可能无法动态调整到种群的实时状态,从而阻碍单个约束反馈的最优利用。

总体而言,约束违反度聚合是一种标准的约束处理范式,关注所有约束的显性作用,而约束违反度分解更关注单个独立约束的隐性作用,这些隐性作用最终贡献于所有约束的显性作用。在进化过程中,不同独立约束的隐性作用可能具有相互冲突的表现,并非所有约束都能始终同时满足,有时在独立约束下的过度优化可能导致违反另一个约束。从这个方面来看,所有约束似乎相互竞争以权衡其贡献程度并定位最终稳定且全面的可行域。因此,应避免在独立约束下进行过度优化,因为优化过程可能导致违反另一个约束。为此,有必要动态利用单个独立约束的作用来增强对全局可行域中约束帕累托前沿(CPF)的探索。

基于以上分析,本文提出了一种动态竞争约束处理算法,名为DCCHT。DCCHT采用竞争约束分解方法来克服传统基于约束违反度聚合的CHTs的弱点。具体来说,它将具有??个约束的CMOP分解为??+1个不同的优化池,包括一个考虑满足所有约束的优化池和??个分别专注于满足单个约束的约束池。这样,独立约束的作用被动态利用以增强对全局可行域中约束帕累托前沿(CPF)的探索。DCCHT incorporates a bidirectional knowledge transfer strategy, which shares specific information among different optimization pools and facilitates global convergence. Furthermore, a feedback-driven adaptive resource allocation mechanism is developed to quantify the real-time competitiveness of each sub-pool. By continuously evaluating their ongoing performance during the evolutionary process, this mechanism adaptively concentrates limited computational resources on the optimization pools that exhibit higher competitiveness. Experimental comparisons with existing algorithms show that DCCHT achieves an effective balance between individual constraint satisfaction and global objective optimization through the proposed mechanisms, ultimately obtaining high-quality feasible Pareto optimal solutions.

In summary, the main contributions of this paper are as follows:

1. 提出一种竞争约束分解方法,将CMOP解耦为一组不同的优化池,为单个约束之间的动态竞争与协作建立结构基础。
2. 设计一种双向知识转移策略,明确促进约束池与全局优化过程之间的高效信息交换与协同协作。
3. 开发一种反馈驱动的自适应资源分配机制,基于优化池对CPF探索的实时贡献来调节其对有限计算资源的竞争。

本文其余部分组织如下。第2节介绍DCCHT中采用的相关方法。第3节详细阐述所提算法的细节。第4节呈现数值实验并分析实验结果。最后,本文讨论未来工作的潜在方向,在第5节中总结。

片段

竞争约束分解

通过分解CMOP并独立分析每个约束,明显可见单个约束表现出类似竞争与协同的特性。从竞争的角度来看,进化算法在严格的计算预算下运行;增强搜索以满足高度限制性约束不可避免地限制了用于其他约束的评估次数。此外,约束边界之间经常出现空间冲突,其中

所提算法框架

所提DCCHT算法的总体执行程序概述于图4和算法3中。算法首先初始化一个动态竞争环境(第1行),该环境由全局池(????)、搜索池(????)和??个特定约束优化池(???, …, ????)组成。为确保每个优化池最初具有公平且平等的选择机会,选择概率矩阵?????????和??????????被同时初始化。进化

实验结果与分析

在本节中,我们进行全面实证研究以评估所提算法的性能。所有实验均在PlatEMO [22]上进行。第4.1节详细介绍了实验设置,包括基准测试套件、比较算法和性能指标。在第4.2节中,我们展示了在各种基准问题上的比较结果。第4.3节提供了关键参数的敏感性分析。对

结论与未来工作

在本文中,提出了一种动态竞争约束处理算法(DCCHT)来解决CMOPs,通过克服整体约束违反度和刚性预定义规则的局限性。具体来说,原始CMOP被分解为包含一个全局池和??+1个优化池的动态竞争环境。双向知识转移策略促进这些不同池之间的信息交换。这种协同方法有效地协调了

CRediT作者贡献声明

Wei Li:监督、资源。Haoying Li:撰写-原稿、方法论。Ning Yang:撰写-审阅与编辑、监督、概念化。Shuling Yang:调查、形式分析。Ying Huang:资源、资金获取。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

致谢

本工作得到了国家自然科学基金委员会(项目编号62566026、62366003)、江西省多维智能感知与控制重点实验室(项目编号2024SSY03161)、江西省自然科学基金(项目编号20262BAC200009、20242BAB25109)、广东省基础与应用基础研究基金(项目编号2025A1515110216)以及青年科技人才培养计划的资助。

作者:Wei Li | Haoying Li | Ning Yang | Shuling Yang | Ying Huang
单位:江西理工大学信息工程学院,赣州,341000,中国
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