10、进化多目标优化算法与机器学习理论基础

进化多目标优化算法与机器学习理论基础

1. 第一代进化多目标优化算法

第一代进化多目标优化算法的灵感源自Goldberg的建议。1989年，他提出使用非支配排序和小生境技术来解决多目标优化问题。非支配排序的过程是，先将当前种群中的非支配个体排名为1，并将它们从竞争中移除；然后从剩余种群中选出非支配个体，将其排名设为2；如此循环，直到所有个体都被排序。小生境技术用于维持种群多样性，防止早熟收敛。尽管Goldberg并未将其想法在进化多目标优化中实现，但对后来的学者具有指导意义。随后，一些学者基于他的想法提出了MOGA、NSGA和NPGA等算法。

• MOGA ：1993年由Fonseca和Fleming提出。该方法按排名对每个个体进行排序，所有非支配个体的排名定义为1，其他个体的排名为支配它的个体数量加1。对于排名相同的个体，使用适应度共享机制进行选择。具体操作是，先按排名对种群排序，然后使用Goldberg提出的线性或非线性插值方法为所有个体分配适应度，排名相同的个体具有相同的适应度。通过适应度共享机制进行随机选择。不过，MOGA过于依赖共享函数的选择，可能产生较大的选择压力，导致早熟收敛。
• NSGA ：同样基于Goldberg的非支配排序思想。首先识别非支配解，并为其分配较大的虚拟适应度值。为维持种群多样性，使用虚拟适应度值对这些非支配解进行共享。暂时不考虑这些非支配个体，从剩余种群中确定第二批非支配个体，并为其分配小于之前非支配个体共享的最小适应度值的虚拟适应度值。以此类推，直到将整个种群划分为多个层次。NSGA使用比例选择来生成新一代。其计算复杂度为O(mN³)，其中m是目标数量，N是