Главная страница
Навигация по странице:

  • 5.3. Другие методы на основе ранжирования

  • 6. Прочие методы В данном разделе рассматриваем сигма-метод, методы композитных точек, гиперкубов, динамических соседей, а также метод хищник-жертва. 6.1. Сигма-метод

  • Утверждение 2.

  • 6.2. Метод композитных точек

  • 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
    страница3 из 5
    1   2   3   4   5
    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
    1   2   3   4   5


    написать администратору сайта