Главная страница
Навигация по странице:

  • Карпенко А. П., Семенихин А. С., Митина Е. В. УДК.519.6 МГТУ им. Н.Э. Баумана apkarpenko@mail.ru saspost@yandex.ru mitinakaterina@gmail.com Введение

  • Утверждение 1.

  • Митина_P. Популяционные методы аппроксимации множества Парето в задаче многокритериальной оптимизации. Обзор. 7730569363023


    Скачать 0.63 Mb.
    НазваниеПопуляционные методы аппроксимации множества Парето в задаче многокритериальной оптимизации. Обзор. 7730569363023
    Дата30.04.2021
    Размер0.63 Mb.
    Формат файлаpdf
    Имя файлаМитина_P.pdf
    ТипДокументы
    #200474
    страница1 из 5
      1   2   3   4   5
    http://technomag.edu.ru/doc/363023.html
    1
    Популяционные методы аппроксимации множества Парето
    в задаче многокритериальной оптимизации. Обзор.
    77-30569/363023
    # 04, апрель 2012
    Карпенко А. П., Семенихин А. С., Митина Е. В.
    УДК.519.6
    МГТУ им. Н.Э. Баумана apkarpenko@mail.ru saspost@yandex.ru mitinakaterina@gmail.com
    Введение
    Известно большое число методов решения задачи многокритериальной оптимизации
    (МКО-задачи), из числа которых перспективными являются методы, основанные на предварительном построении аппроксимации множества Парето (а тем самым, и фронта
    Парето) этой задачи [1, 2]. Простейшим из таких методов является сеточный метод [3]. В ситуации, когда требуется высокая точность аппроксимации множеств Парето и/или когда имеет место высокая вычислительная сложность целевых функций, сеточный метод может требовать неприемлемо высоких вычислительных ресурсов. Поэтому в настоящее время интенсивно развиваются альтернативные методы [4].
    Обычно указанные методы строят на основе эволюционных алгоритмов и чаще всего – на основе генетических алгоритмов [5]. При этом соответствующие методы Парето- аппроксимации называют эволюционными. Обзор таких методов представлен, например, в работах [6, 7].
    Принципиальным в этих методах является не использование именно эволюционных алгоритмов, а правила формирования фитнесс-функции, обеспечивающие перемещение индивидов популяции, в конечном счете, в направлении множества Парето. Эволюция же этих индивидов может протекать по законам, отличным от законов, используемых в эволюционных алгоритмах, например, по законам миграции частиц в алгоритме роя частиц
    [8, 9].
    Поэтому в качестве общего названия рассматриваемых методов используем термин
    «популяционные методы Парето-аппроксимации».
    Для полноты картины, наряду с популяционными методами в работе рассматриваем наиболее известные не популяционные методы. Особенностью обзора является то, что в той его части, которая посвящена популяционным методам, мы концентрируем наше внимание, преимущественно, на правилах формирования фитнесс-функции, используемых в этих методах.

    77-30569/363023
    , №04 апрель 2012 г. http://technomag.edu.ru
    2
    Можно выделить следующие основные требования к методам Парето-аппроксимации
    [7]:
    - точки найденной аппроксимации расположены достаточно близко к точному множеству Парето;
    - аппроксимация покрывает все множество Парето;
    - распределение точек аппроксимации равномерно.
    В современных методах Парето-аппроксимации для выполнения последнего требования используют специальные механизмы, обеспечивающие приемлемый разброс
    (spread) точек аппроксимации. Наиболее известным механизмом такого сорта является механизм нишевания (niching) [10]. Самостоятельную проблему представляет разработка критериев оценки качества Парето-аппроксимации, которые отражали бы указанные требования. Примеры таких критериев рассмотрены, например, в работах [11, 12].
    Известно несколько классификаций методов Парето-аппроксимации. Используем классификацию, предложенную Гуменниковой А. В. [13], дополнив ее классом «наивных» методов [14] и классом прочих методов. Итого рассматриваем следующие пять классов методов Парето-аппроксимации:
    -
    «наивные» методы;
    - методы переключающихся целевых функций;
    - методы агрегации целевых функций;
    - методы на основе ранжирования агентов популяции;
    - прочие методы.
    В разделе 1 приведена математическая постановка задачи, разделы 2 - 6 посвящены рассмотрению указанных классов методов Парето-аппроксимации. В заключении сформулированы основные выводы.
    1.
    Постановка задачи и общая схема популяционных алгоритмов ее решения
    Совокупность частных критериев оптимальности (частных целевых функций)
    ),
    ( X
    f
    k
    |]
    :|
    [1 F
    k

    образует векторный критерий оптимальности (векторную целевую функцию)
    }
    {
    )
    (
    F
    X
    F

    , где
    }
    {X
    X

    - вектор варьируемых параметров;
    }
    {X
    ,
    }
    {F
    - пространства параметров и критериев соответственно. Здесь и далее запись вида
    A
    , где A ─
    некоторый вектор или счетное множество, означает размерность этих объектов. Положим, что ставится задача минимизации каждого из частных критериев в одной и той же области допустимых значений
    n
    X
    R
    D

    Тогда во введенных обозначениях МКО-задачу условно можно записать в виде
    *
    *
    )
    (
    =
    )
    (
    min
    F
    X
    F
    X
    F
    X
    D
    X
    =

    , (1) где
    *
    *
    , F
    X
    - решения задачи.
    Полагаем, что частные критерии оптимальности нормализованы, например, по формуле
    http://technomag.edu.ru/doc/363023.html
    3
    |],
    :|
    [1
    ,
    )
    (
    =
    )
    (
    *
    *
    *
    *
    F
    k
    f
    f
    f
    X
    f
    X
    f
    k
    k
    k
    k
    k



    где
    ),
    (
    min
    =
    *
    X
    f
    f
    k
    k
    )
    (
    max
    =
    *
    *
    X
    f
    f
    k
    k
    ,
    X
    D
    X

    Векторный критерий оптимальности
    )
    ( X
    F
    выполняет отображение области
    X
    D
    в некоторое множество
    F
    D
    , называемое множеством достижимости МКО-задачи (1). Введем на множестве
    X
    D
    отношение предпочтения

    . Будем говорить, что вектор
    X
    D
    X

    1
    предпочтительнее вектора
    X
    D
    X

    2
    и писать
    2 1
    X
    X

    , если среди равенств и неравенств
    )
    (
    )
    (
    2 1
    X
    f
    X
    f
    k
    k

    ,
    |]
    :|
    [1 F
    k

    имеется, хотя бы одно строгое неравенство. Аналогично, на множестве
    F
    D
    введем отношение доминирования: будем говорить, что вектор
    F
    D
    X
    F

    )
    (
    1
    доминирует вектор
    F
    D
    X
    F

    )
    (
    2
    , и писать
    )
    (
    )
    (
    2 1
    X
    F
    X
    F

    , если
    2 1
    X
    X

    Выделим из множества
    F
    D
    подмножество
    *
    F
    D
    точек, среди которых нет доминируемых. Это множество называют фронтом Парето. Множество
    X
    X
    D
    D

    *
    , соответствующее множеству
    *
    F
    D
    , называют множеством Парето (переговорным множеством, областью компромисса). Определения множества и фронта Парето иллюстрирует рисунок 1. Поскольку множество
    F
    D
    на этом рисунке является выпуклым, фронт Парето
    *
    F
    D
    в данном случае представляет собой дугу
    AB
    , на которой точка
    A
    соответствует
    *
    1
    f
    , а точка
    B

    *
    2
    f
    . Среди точек
    )
    (
    1
    X
    F
    ,
    )
    (
    2
    X
    F
    , лежащих на фронте
    Парето, нет доминируемых, поскольку если
    )
    (
    <
    )
    (
    2 1
    1 1
    X
    f
    X
    f
    , то обязательно
    )
    (
    >
    )
    (
    2 2
    1 2
    X
    f
    X
    f
    Рисунок 1 - К определению множества Парето:
    2
    =
    X
    ;
    2
    =
    F

    77-30569/363023
    , №04 апрель 2012 г. http://technomag.edu.ru
    4
    Ставим задачу приближенного построения множества Парето (а, тем самым, и фронта
    Парето) в МКО-задаче (1). Называем эту задачу задачей Парето-аппроксимации.
    Пусть тем или иным образом уже сформировано архивное множество
    F
    A
    , содержащее не доминируемые точки
    A
    j
    F
    , а также архивное множество
    X
    A
    соответствующих ему точек
    ]
    :
    1
    [
    ;
    A
    j
    X
    A
    j

    Здесь
    A
    - мощность множеств
    F
    A
    ,
    X
    A
    Суть большинства популяционных методов Парето-аппроксимации состоит в итерационном уточнении множеств точек в архивах
    F
    A
    ,
    X
    A
    . Если при этом на итерации
    t
    появляется новая точка
    i
    F
    , доминирующая некоторые точки из архива
    F
    A
    , то все доминируемые точки, а также соответствующие точки из архива
    X
    A
    , удаляем. При удовлетворении некоторого критерия останова текущее содержимое архивов
    F
    A
    ,
    X
    A
    полагаем искомой аппроксимацией фронта Парето
    *
    F
    D
    и множества Парето
    *
    X
    D
    соответственно.
    В популяционных методах Парето-аппроксимации новые точки для архивов
    F
    A
    ,
    X
    A
    «поставляет» популяция агентов
    i
    s
    , текущие координаты которых в пространстве поиска
    }
    {X
    равны
    i
    X
    , а в пространстве
    }
    {F
    -
    ]
    :
    1
    [
    );
    (
    S
    i
    X
    F
    F
    i
    i

    =
    В популяционных оптимизационных алгоритмах миграция агентов в пространстве поиска подчинена задаче минимизации (для определенности) значений фитнесс-функции.
    Основной проблемой построения популяционных методов Парето-аппроксимации является построение фитнесс-функции
    )
    ( X
    ϕ
    , обеспечивающей перемещение агентов популяции
    i
    s
    ,
    ]
    :
    1
    [
    S
    i

    в направлении множества Парето
    *
    X
    D
    , а соответствующих точек
    i
    F
    - в направлении фронта Парето
    *
    F
    D
    В силу, как правило, меньшей размерности критериального пространства
    }
    {F
    по сравнению с размерностью пространства поиска
    }
    {X
    , ответ на вопрос о направлении и шаге перемещения агентов обычно отыскивают в терминах критериального пространства, а не пространства параметров. Важно также, что относительно множества Парето, по сути, нет никой априорной информации, кроме того, что это множество точек, не связанных между собой отношением предпочтения

    . В то же время по отношению к фронту Парето априорной информации значительно больше. Например, с учетом того, что частные критерии оптимальности нормированы и поэтому
    ]
    :
    1
    [
    ],
    1
    ;
    0
    [
    )
    (
    F
    k
    X
    f
    k


    , имеет место
    Утверждение 1. Любой луч, проведенный из начала системы координат
    |
    |
    2 1
    0
    F
    f
    f
    f

    в неотрицательном направлении осей
    ,
    0 1
    f
    2 0 f
    ,…,
    |
    |
    0
    F
    f
    пересекает фронт Парето не более чем в одной точке.
    Доказательство проведем от противного. Допустим, что утверждение неверно, и указанный луч пересекает фронт Парето в точках
    *
    1
    F
    ,
    *
    2
    F
    В этом случае, по крайней мере,
    http://technomag.edu.ru/doc/363023.html
    5 для одного
    ]
    :
    1
    [
    F
    k

    должно быть справедливо неравенство
    *
    ,
    2
    *
    ,
    1
    k
    k
    f
    f
    <
    или неравенство
    *
    ,
    2
    *
    ,
    1
    k
    k
    f
    f
    >
    , что противоречит условию принадлежности точек
    *
    1
    F
    ,
    *
    2
    F
    фронту Парето●
    Выделяют четыре класса задач Парето-оптимизации, соответствующих следующим четырем типам фронта Парето: выпуклые задачи; вогнутые задачи; выпукло-вогнутые задачи; разрывные задачи (рисунок 2).
    Рисунок 2 – Типы фронтов Парето (
    2
    =
    F
    ): а) выпуклый; б) вогнутый; в) выпукло-вогнутый фронт; г) разрывный
    Одной из проблем популяционных методов Парето-аппроксимации является формирование начальных состояний архивов
    F
    A
    ,
    X
    A
    . С этой целью может быть использован сеточный метод, суть которого состоит в следующем. Покрываем область
    X
    D
    некоторой сеткой с узлами
    i
    X
    ,
    ]
    :
    [1 n
    i

    . В каждом из этих узлов вычисляем значение вектор-функции
    i
    F
    , среди векторов
    i
    F
    выбираем недоминируемые векторы
    }
    {
    A
    i
    j
    F
    и находим соответствующее им множество точек
    }
    {
    A
    i
    j
    X
    , где
    )
    (
    =
    A
    i
    A
    i
    j
    j
    X
    F
    F
    ,
    ]
    :
    1
    [
    A
    i
    j

    Множества
    }
    {
    A
    i
    j
    X
    ,
    }
    {
    A
    i
    j
    F
    представляют собой искомую начальную дискретную аппроксимацию множества Парето и фронта Парето МКО-задачи (1) соответственно.
    Известным вариантом сеточного метода является метод исследования пространства параметров [15], особенностью которого является использование специальных сеток, построенных на основе так называемых
    τ
    ЛП
    последовательностей, обеспечивающих большую репрезентативность Парето-аппроксимации.

    77-30569/363023
    , №04 апрель 2012 г. http://technomag.edu.ru
    6
    2
    . «Наивные» методы
    Данный класс методов выделяет Люк (S. Luke) в своей известной книге [14].
    Простейшим методом данного класса является метод на основе лексикографической
    турнирной селекции (lexicographic tournament selection).
    Метод исходит из того, что частные критерии
    ]
    :
    1
    [
    ),
    (
    F
    k
    X
    f
    k

    упорядочены по важности, так что самым важным является критерий
    )
    (
    1
    X
    f
    , следующим по важности – критерий
    )
    (
    2
    X
    f
    и так далее. Рассмотрим правило сравнения приспособленностей агентов, используемое данным методом. Пусть
    j
    i
    S
    j
    i
    s
    s
    j
    i


    ],
    :
    1
    [
    ,
    ,
    ,
    - два сравниваемых агента в текущих состояниях
    j
    i
    X
    X ,
    . Лучшего из этих агентов определяем путем последовательного сравнения пар величин
    (
    )
    )
    (
    ),
    (
    j
    k
    i
    k
    X
    f
    X
    f
    ,
    F
    k
    ....,
    ,
    2
    ,
    1
    =
    до тех пор, пока не будет установлено, что, например,
    )
    (
    )
    (
    *
    *
    j
    k
    i
    k
    X
    f
    X
    f
    <
    В таком случае полагаем, что агент
    i
    s
    имеет лучшую приспособленность по сравнению с агентом
    j
    s
    Лучшего агента
    S
    s
    best

    популяции в ее текущем состоянии
    ]
    :
    1
    [
    ,
    S
    i
    X
    i

    определяем в результате следующей последовательности шагов.
    1)
    Выбираем случайного агента популяции
    1
    i
    s
    и полагаем его лучшим агентом, т.е. полагаем
    1
    i
    best
    X
    X
    =
    . Выполняем присваивание
    2
    =
    j
    2)
    Выбираем другого случайного агента
    j
    i
    s
    3)
    По указанному выше правилу определяем лучшего из агентов
    j
    i
    best
    s
    s
    ,
    и объявляем его новым агентом
    best
    s
    4)
    Если
    m
    j
    <
    (размер турнира
    m
    не исчерпан), то полагаем
    1
    +
    = j
    j
    и возвращаемся к шагу 2.
    Известен ряд модификаций рассмотренного метода. Так для выбора лучшего агента можно использовать случайный критерий из числа критериев
    ]
    :
    1
    [
    ,
    F
    k
    f
    k

    Можно использовать процедуру голосования, когда лучшим считается агент, которому соответствуют наименьшие значения наибольшего числа критериев. Наконец, можно использовать многоуровневую турнирную селекцию (в случае
    2
    >
    F
    ), когда основной турнир проводим на основании одного критерия, однако агентов для этого турнира отбираем с использованием турнира по другому критерию, агентов для этого турнира отбираем с использованием турнира по третьему критерию и т.д.
    3.
    Методы переключающихся целевых функций
    В данных методах выбор лучших агентов популяции производится на основе сравнения соответствующих значений различных частных критериев оптимальности.
    Наиболее известным алгоритмом Парето-аппроксимации, основанном на методе
    http://technomag.edu.ru/doc/363023.html
    7
    переключающихся целевых функций, является алгоритм VEGA (Vector Evaluated Genetic
    Algorithm
    ), предложенный Шафером (D. Shaffer) в 1985 г. [16].
    Пусть
    ]
    :
    1
    [
    ,
    S
    i
    X
    i

    текущие положения агентов популяции, где
    F
    S
    >
    и эти величины кратны. Пригодность агентов в алгоритме VEGA определяют по следующей схеме.
    1)
    В соответствии с принятым правилом селекции, основываясь на фитнесс-функции
    )
    (
    )
    (
    1 1
    X
    f
    X
    =
    ϕ
    , выбираем
    F
    S
    лучших агентов, не исключая их из популяции.
    2)
    Аналогично, основываясь на фитнесс-функции
    )
    (
    )
    (
    2 2
    X
    f
    X
    =
    ϕ
    , выбираем следующие
    F
    S
    лучших агентов.
    ….
    )
    F
    Основываясь на фитнесс-функции
    )
    (
    )
    (
    X
    f
    X
    F
    F
    =
    ϕ
    , выбираем
    F
    S
    последних лучших агентов.
    В качестве правила селекции алгоритм VEGA использует правило рулетки, когда вероятность выбора агента
    i
    s
    пропорциональна его относительной приспособленности (если речь идет о максимизации целевых функций):


    j
    j
    i
    S
    j
    X
    X
    ]
    :
    1
    [
    ),
    (
    )
    (
    ϕ
    ϕ
    ,
    ]
    :
    1
    [
    S
    i

    Рассмотренную схему отбора иллюстрирует рисунок 3, на котором представлены проекции точек
    ]
    :
    1
    [
    ,
    S
    i
    F
    i

    на плоскость
    2 1
    0
    f
    f
    пространства критериев
    }
    {F
    . Показаны множества агентов
    2 1
    , S
    S
    , отобранных на основе критериев оптимальности
    )
    (
    1
    X
    f
    ,
    )
    (
    2
    X
    f
    соответственно (имеются в виду задача многокритериальной максимизации).

    77-30569/363023
    , №04 апрель 2012 г. http://technomag.edu.ru
    8
    Рисунок 3 – К схеме алгоритма VEGA
      1   2   3   4   5


    написать администратору сайта