Митина_P. Популяционные методы аппроксимации множества Парето в задаче многокритериальной оптимизации. Обзор. 7730569363023
Скачать 0.63 Mb.
|
5 .2. Метод Парето-силы Иное правило ранжирования агентов популяции используется в методе Парето силы (Pareto strength) . Метод исходит из того, что сила агента i s , ] : 1 [ S i ∈ равна числу особей, которых доминирует по Парето данный агент. Определенную указанным способом силу агентов можно использовать для вычисления их приспособленности. Однако такое определение пригодности обладает рядом недостатков [14]. Поэтому в вычислительной практике используют альтернативное понятие слабости (weakness) агента, равной числу особей, его доминирующих. Точнее говоря, используют вариант слабости агента, называемый в работе [14] его хилостью (wimpiness) i w и равный суммарной силе всех особей, доминирующих данного агента. Фитнесс-функция при этом имеет вид ) 1 ( 1 i i w + = ϕ , ] : 1 [ S i ∈ Метод Парето силы использует известный популяционный алгоритм Парето- аппроксимации SPEA (Strength Pareto Evolutionary Algorithm) [21]. Развитием алгоритма SPEA является алгоритм SPEA-2, который подобно алгоритму NGSA-II использует оценки равномерности Парето-аппроксимации [23]. Упрощенным вариантом алгоритма SPEA-2 можно считать алгоритм PAES (Pareto Achieved Evolution Strategy), предложенный Ноулзом (J. Knowles) и Корн (D. Corne) в 1999 г. [24]. Рангом i r агента i s в алгоритме PAES называется число архивных решений, доминируемых решением ] : 1 [ ; S i X i ∈ . Схема алгоритма PAES для агента i s имеет следующий вид. 1) По законам используемого популяционного алгоритма (в оригинале – генетического алгоритма) перемещаем агента i s из его текущего положения i X в новое положение i X ′ http://technomag.edu.ru/doc/363023.html 17 2) Если одно из решений i X и i X ′ доминирует другое решение, то лучшее из них объявляем кандидатом. В противном случае кандидатом объявляем то из решений i X , i X ′ , ранг которого выше. 3) Если решение-кандидат доминируется некоторым из архивных решений, то кандидата отвергаем. В противном случае кандидата записываем в архив, но только в том случае, если он находится в той части области поиска, в которой на текущий момент обнаружено мало решений. При записи кандидата в архив все доминируемые им решения из архива удаляем. 4) Если условие окончания итераций не выполнено, возвращаемся к шагу 1. 5.3. Другие методы на основе ранжирования Метод средневзвешенного ранжирования (Weighted Average Ranking, WAR) предложили Бентли (P. J. Bentley) и Вэйкфилд (J. P. Wakefield) в 1996 г. [25]. Пусть ) ( k k f v v = - относительная важность частного критерия ] : 1 [ , F k f k ∈ Метод WAR предполагает вычисление текущего ранга агента ] : 1 [ , S i s i ∈ по следующей схеме. 1) Для каждого из критериев k f формируем список k L , содержащий величины ) ( i k X f , упорядоченные по их возрастанию. ] : 1 [ F k ∈ 2) Ранг агента i s полагаем равным величине ( ) ∑ = = F k i k k i X n v r 1 ) ( , ] : 1 [ S i ∈ , (7) где ) ( i k X n - порядковый номер агента i s в списке k L Метод суммы взвешенных оценок (Sum of Weighted Ratios, SWR) можно считать развитием метода WAR [25]. При вычислении ранга агентов метод использует свертку вида (7 ), в которой вместо относительной важности частных критериев k v используются их особым образом нормализованные значения. Нормализация основана на использовании наихудших и наилучших текущих значений критериев ) ( max ) ( ] : 1 [ i k F k i worst X f X f ∈ = , ) ( min ) ( ] : 1 [ i k F k i best X f X f ∈ = и определяется формулой |] :| [1 , ) ( ) ( ) ( ) ( = ) ( F k X f X f X f X f X f i worst i best i worst i k i k ∈ − − , ] : 1 [ S i ∈ Метод суммы взвешенных глобальных оценок (Sum of Weighted Global Ratios, SWGR) [25 ] близок к предыдущему методу с тем отличием, что наихудшие и наилучшие значения критериев определяют на основе всей предыстории поиска, т.е. на основе всех итераций ] : 1 [ t ∈ τ : ) ( max max ) ( ] : 1 [ ] : 1 [ τ τ i l F l t i worst X f X f ∈ ∈ = ; ) ( min min ) ( ] : 1 [ ] : 1 [ τ τ l l F l t i best X f X f ∈ ∈ = ; ] : 1 [ S i ∈ 77-30569/363023 , №04 апрель 2012 г. http://technomag.edu.ru 18 Метод максимального взвешенного ранжирования(Weighted Maximum Ranking, WMR) [25 ] основан на идее рассмотренного выше метода VEGA. Положим, что все критерии нормализованы и заданы их относительные важности k v , ] : 1 [ F k ∈ Схему метода определяет следующая последовательно шагов. 1) Аналогично методу WAR формируем списки k L , ] : 1 [ F k ∈ и определяем величины ) ( i k X n , ] : 1 [ S i ∈ 2) Вычисляем ранги каждого из S агентов по всем F критериям оптимальности ) ( ) ( i k k i k X n v X r = , ] : 1 [ S i ∈ , ] : 1 [ F k ∈ 3) В качестве итогового ранга агента i s в его текущем положении i X принимаем величину ) ( max ] : 1 [ i k F k i X r r ∈ = , ] : 1 [ S i ∈ 6. Прочие методы В данном разделе рассматриваем сигма-метод, методы композитных точек, гиперкубов, динамических соседей, а также метод хищник-жертва. 6.1. Сигма-метод Сигма-метод (sigma method) предложили Мостагхим (S. Mostaghim) и Тич (J. Teich) в 2003 г. [26]. Для двухкритериальной задачи ( 2 |= | F ) сигма-параметром точки i X или соответствующей ей точки ) , ( = ,2 ,1 i i i f f F , называется величина 2 ,2 2 ,1 2 ,2 2 ,1 = ) ( = i i i i i i f f f f F + − σ σ , ] : 1 [ S i ∈ Легко видеть, что точки i F , имеющие одно и то же значение сигма-параметра, лежат на одной прямой, проходящей через начало системы координат 2 1 0 f f Определение сигма- параметра иллюстрирует рисунок 8, на котором одинаковые значения сигма-параметра имеют пары точек ) , ( ), , ( ), , ( 6 5 4 3 2 1 F F F F F F http://technomag.edu.ru/doc/363023.html 19 Рисунок 8 - К определению сигма-параметра: 2 = F В случае, когда размерность критериального пространства больше двух ( 2 |> | F ) сигма-метод использует | | F - мерный вектор сигма-параметров ) , , , ( = | | 2 1 F σ σ σ σ Для агента i s этот вектор определяет выражение ) ( = ) ( = 2 | |, 2 ,2 2 ,1 2 1 , 2 , 2 3 , 2 2 , 2 2 , 2 1 , F i i i i F i i i i i i i f f f f f f f f f F + + + ⋅ − − − σ σ , ] : 1 [ S i ∈ В сигма-методе для точки i X , ] : 1 [ S i ∈ лучшая архивная точка A j X , ] : 1 [ A j ∈ определяется по следующей схеме. 1) Вычисляем значение сигма-параметра точки ) ( i X F - величину ) ( = i i F σ σ 2) Находим в архиве F A точку A j F , у которой значение сигма-параметра наиболее близко к величине i σ : i j i l A l σ σ σ σ − → − ∈ || || min |] :| [1 . (8) Здесь || * || - символ евклидовой нормы. 3) В качестве лучшей для точки i X принимаем точку A j X такую, что A j A j F X F = ) ( В данном случае в качестве метрики близости точек i F , A j F используется евклидова 77-30569/363023 , №04 апрель 2012 г. http://technomag.edu.ru 20 норма в сигма-пространстве } { σ Утверждение 2. Предположим, что для всех архивных частиц |] :| [1 , A j X A j ∈ вектор сигма-параметров | | 2 1 , , , = F σ σ σ σ уже вычислен. Тогда отыскание для точки i X лучшей архивной точки A j X сигма-методом требует |) | | (| A F O арифметических операций. Справедливость утверждения вытекает из того факта, что для отыскания точки, которая является лучшей для точки i X , требуется | | A раз вычислить значение нормы вида (8 ) и для каждого такого вычисления необходимо |) (| F O арифметических операций• Для двухкритериальной задачи изложенную схему сигма-метода иллюстрирует рисунок 9. Стрелками на рисунке для каждой из точек i F показаны «притягивающие» точки A j F Рисунок 9 - Схема сигма-метода для двухкритериальной задачи: • - архивные точки A j F ; - точки i F 6.2. Метод композитных точек Метод композитных точек предложили Филдсенд (J.E. Fieldsend) и Синх (S. Singh) в 2002 г. [27]. Метод использует архив F A недоминируемых точек в виде, так называемого дерева доминирования (dominated tree), представляющего собой список композитных точек (composite points) ) , , , ( = | |, ,2 ,1 F j j j j c c c C , , 2 , 1 = j Для двухкритериальной задачи пример дерева доминирования приведен на рисунке 10. Координаты первой композитной точки 1 C определяем по следующей схеме. 1) В качестве первой координаты 1,1 c этой композитной точки принимаем первую http://technomag.edu.ru/doc/363023.html 21 координату той архивной точки |] :| [1 , 1 1 A j F A j ∈ , у которой значение этой координаты наибольшее, т.е. полагаем A j A j A j f f c 1 , ,1 |] :| [1 1,1 1 = max = ∈ Исключаем точку A j F 1 из дальнейшего рассмотрения. 2) Вторую координату 1,2 c точки 1 C полагаем равной второй координате той из оставшихся архивных точек A j F , у которой эта координата имеет наибольшее значение, т.е. принимаем, что 1 2 , ,2 |] :| [1 1,2 2 = max = j j f f c A j A j A j ≠ ∈ Точку A j F 2 исключаем из дальнейшего рассмотрения. 3) Если 2 |> | F , то поступаем аналогичным образом для всех остальных координат, так что 1 | | 2 1 | |, |] :| [1 | | 1, , , , , = max = , − ∈ ≠ ≠ ≠ F A F j A F j A j F j j j j j j f f c F Рис. 10. Дерево доминирования для двухкритериальной задачи: • – архивные точки A A F F 7 1 − ; ⊗ – композитные точки 3 2 1 , , C C С 77-30569/363023 , №04 апрель 2012 г. http://technomag.edu.ru 22 4) По аналогичной схеме вычисляем координаты второй композитной точки 2 C и так далее до исчерпания всех точек архива F A Рассмотрим схему алгоритма быстрого построения дерева доминирования. Положим, что сформированы списки | | 2 1 , , , F L L L из | | A элементов каждый такие, что в списке k L содержатся точки архива F A , отсортированные в порядке убывания по критерию оптимальности ) ( X f k ; |] :| [1 F k ∈ . При использовании известного алгоритма быстрой сортировки построение таких списков требует, в худшем случае, ) | (| 2 A O операций сравнения. Элементы списка k L обозначим j k L , , |] :| [1 |], :| [1 A j F k ∈ ∈ 1) В качестве координаты k c 1, точки 1 C принимаем k - ю координату элемента ,1 k L и исключаем этот элемент из всех списков. 2) В качестве координаты k c 2, точки 2 C принимаем k - ю координату элемента ,2 k L и исключаем этот элемент из всех списков. 3) И так далее до исчерпания всех списков k L ; |] :| [1 F k ∈ Легко видеть, что архиву F A соответствует общее число композитных точек, равное F A С = , где * - символ ближайшего целого меньшего. Архивные точки A j A j A j F F F F , , , 2 1 , соответствующие композитной точке j C , назовем вершинами точки ] : [1 ; C j C j ∈ После того как дерево доминирования построено, лучшую точку для точки i X определяем по следующему правилу. 1) В списке композитных точек находим точку j C такую, что имеет место хотя бы одно из неравенств |] :| [1 1)], ( : [1 , < 1, , , F k C j c f c j j k i k j ∈ − ∈ ≤ + 2) Из числа вершин A j A j A j F F F F , , , 2 1 композитной точки j C находим точку |] :| [1 , F p F A j p ∈ , которая строго доминирует точку i F , т.е. такую, что i A j F F p 3) В качестве лучшей для точки i X принимаем точку A j p X , соответствующую вершине A j p F 4) Если среди вершин A j A j A j F F F F , , , 2 1 имеется более одной, которая строго доминирует точку i F , то из них случайным образом выбираем вершину A j p F и в качестве http://technomag.edu.ru/doc/363023.html 23 лучшей для точки i X принимаем соответствующую точку A j p X Рассмотренное правило определения лучшей точки иллюстрирует рисунок 11 , на котором стрелками на рисунке показаны соответствующие лучшие точки. Рисунок 11 – К определению лучшей точки в методе композитных точек: • – точки архива F A ; ⊗ – композитные точки; - точки i F |