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.
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.