Научная электронная библиотека ULRICH'S Periodicals Directory

Сибирский государственный университет
науки и технологий имени академика М.Ф. Решетнева

Сибирский аэрокосмический журнал
ISSN 2712-8970 (Print) ISSN 2782-5760 (on-line)

Сведения об образовательной организации

UDK УДК 519.85 Doi: 10.31772/2712-8970-2022-23-2-227-240
Сравнение эффективности различных подходов к формированию популяции при решении задач многокритериальной нестационарной оптимизации
Рурич М. А., Вахнин А. В., Сопов Е. А.
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Многокритериальная нестационарная оптимизация является недостаточно изученным на данный момент классом задач оптимизации, однако представляет собой большую практическую цен-ность. В задачах многокритериальной нестационарной оптимизации целевые функции, их пара-метры и ограничения, накладываемые на область поиска, изменяются во времени, из этого следует изменение решения задачи. При возникновении изменений в задаче алгоритму необходимо адаптироваться к изменениям таким образом, чтобы скорость сходимости к решению задачи была достаточно высокой. Работа посвящена сравнению эффективности использования трех разных подходов к формированию популяции при возникновении изменений в задаче многокритериальной нестационарной оптимизации: использование полученных на предыдущем шаге решений, случайная инициализация популяции и частичное использование предыдущих решений. В первой части статьи приводится классификация изменений, возникающих в задачах этого типа; рассматриваются существующие на данный момент подходы к решению задач, основанные на использовании эволюционных алгоритмов. В ходе исследования при решении задач многокритериальной нестационарной оптимизации используются алгоритмы многокритериальной оптимизации NSGA-2 и SPEA2, для сравнения подходов к формированию популяции используется набор тестовых задач. Полученные результаты были обработаны с помощью статистического критерия Манна – Уитни. Было выявлено, что скорость изменений в задаче влияет на эффективность использования при формировании популяции решений, полученных в предыдущий момент времени.
Ключевые слова: многокритериальная оптимизация в нестационарной среде, оптимизация в нестационарной среде, многокритериальная оптимизация, эволюционные алгоритмы.
References

1. Yazdani D., Cheng R. A Survey of Evolutionary Continuous Dynamic Optimization Over Two Decades–Part A // IEEE Transactions on Evolutionary Computation. 2021. No. 25(4). P. 609–629.

2. Zhang J., Xing L. A Survey of Multiobjective Evolutionary Algorithms // 22017 IEEE International Conference on Computational Science and Engineering (CSE) and IEEE International Conference on Embedded and Ubiquitous Computing (EUC), 2017.

3. Nguyen T. T., Yang S., Branke J. Evolutionary dynamic optimization: A survey of the state of the art // Swarm and Evolutionary Computation. 2012. No. 6. P. 1–24.

4. Azzouz R., Bechikh S., Ben Said L. Dynamic Multi-objective Optimization Using Evolutionary Algorithms: A Survey. Adaptation, Learning, and Optimization. 2016, P. 31–70.

5. Yazdani D., Cheng R. A Survey of Evolutionary Continuous Dynamic Optimization Over Two Decades–Part B. // IEEE Transactions on Evolutionary Computation. 2021. No. 25(4). P. 630–650.

6. Li C., Yang S. A general framework of multipopulation methods with clustering in indetectable dynamic environments // IEEE Trans. Evol. Comput. 2012.  No. 16(4). P. 556–577.

7. Deb K., Karthik S. Dynamic multi-objective optimization and decision-making using modified NSGA-II: a case study on hydro-thermal power scheduling. Lecture Notes in Computer Science. 2007. P. 803–817.

8. Muruganantham A., Tan K., Vadakkepat P.  Evolutionary dynamic multiobjective optimization via kalman filter prediction // IEEE Trans. Evol. Comput. 2016. No. 46(12). P. 2862–2873.

9. Solving dynamic multi-objective problems with a new prediction-based optimization algorithm / Q. Zhang, S. Jiang, S. Yang, H. Song // PLoS ONE. 2021. No. 16(8).

10. Branke J. Memory enhanced evolutionary algorithms for changing optimization problems. Proceedings of the 1999 congress on evolutionary computation, Institute of Electrical and Electronics Engineers, 1999.

11. Goh C., Tan K. A competitive-cooperative coevolutionary paradigm for dynamic multiobjective optimization // IEEE Trans. Evol. Comput. 2009. No. 13(1). P. 103–127.

12. Branke J., Kaussler T., Smidt C., Schmeck H. A Multi-population approach to dynamic optimizaton problems. Evolutionary Design and Manufacture, Springer Science mathplus Business Media. 2000. P. 299–307.

13. Li C., Yang S. Fast Multi-Swarm Optimization for dynamic optimization problems. 2008 Fourth International conference on Natural Computation, Institute of Electrical and Electronics Engineers, 2008.

14. Deb K., Pratap A., Agarwal S., Meyarivan T. A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II // Ieee transactions on evolutionary computation. 2002. No. 6 (2). P. 182–197.

15. Zitzler E., Laumanns M., Thiele L. SPEA2: Improving the Strength Pareto Evolutionary Algorithm. Computer Engineering and Networks Laboratory (TIK), Department of Electrical Engineering, Swiss Federal Institute of Technology (ETH), Zurich, 2001.

16. Jiang S., Yang S., Yao X., Chen Tan K., Kaiser M. Benchmark Problems for CEC2018 Competition on Dynamic Multiobjective Optimisation. CEC2018 Competition, 2018.

17. Zhang Q., Yang S., Wang R. Novel Prediction Strategies for Dynamic Multiobjective optimization. IEEE Trans. Evol. Comput. 2020, 24(2), P. 260–274.

18. Rong M., Gong D., Pedrycz W., Wang L. A multimodel prediction method for dynamic multiobejctive evolutionary optimization. IEEE Trans. Evol. Comput. 2020, No. 24(2), P. 290–304.


Сопов Евгений Александрович – доктор технических наук, доцент; Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева. E-mail: evgenysopov@gmail.com.

Вахнин Алексей Валерьевич – аспирант; Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева. Е-mail: alexeyvah@gmail.com.

Рурич Мария Александровна – студентка группы МСД21-01; Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева. E-mail: mariar8@yandex.ru.

 


  Сравнение эффективности различных подходов к формированию популяции при решении задач многокритериальной нестационарной оптимизации