Adaptive multi-region prediction strategy for dynamic multi-objective optimization

Tao Zhang

doi:10.1016/j.asoc.2025.113072

2025-05-01

PRE

Tao Zhang *

Linjun Yu

Yu, Huiwen *

DOI：10.1016/j.asoc.2025.113072

原文链接

原文求助

摘要

En 中文

本文针对动态多目标优化问题（DMOPs）提出了一种新颖的自适应多区域预测策略，旨在有效生成多样化种群以应对环境变化，并促进对新帕累托前沿的探索。该策略包含两个主要阶段：预测种群初始化和精英引导重采样。在预测种群初始化阶段，该策略融合了全局探索与局部开发。全局探索基于种群分布特征将种群划分为N个子区域，利用各子区域中心点的历史信息预测其下一环境中的新位置，随后采用高斯混合模型（GMM）基于所有新中心点的位置信息采样新个体。局部开发采用K-Medoids方法对历史帕累托前沿进行聚类，选择决策空间中对应中心点（medoids）的个体作为代表性个体。这些代表性个体随后用于预测其新位置，并通过高斯采样生成个体。初始预测种群由全局探索、局部开发产生的个体以及随机生成的个体组合而成。在精英引导重采样阶段，对初始预测种群进行评估并选择排名靠前的精英个体，这些精英通过高斯采样和拉丁超立方采样（LHS）引导最终种群的生成，以提升解的质量和多样性。所提策略在14个基准问题上通过MIGD、MHV、R(IGD)和DMIGD指标进行了验证。结果表明，相较于现有方法，该策略在环境变化强度（温和、中等和剧烈）变化下表现出更优的综合性能。此外，将其应用于实际的PID控制器调参问题进一步验证了该策略的实践潜力，展现出卓越的性能。

Keyword:

Dynamic multi-objective optimization

Elite-guided resampling

Gaussian mixture model