知识卡片
分解多目标为邻近子问题
MOEA/D 用一组权重向量与分解策略把多目标任务变成一组单目标子问题,并让权重相邻的子问题交换信息、同时优化。书中列出的分解策略有加权和法、切比雪夫法和基于惩罚的边界交叉法,权重向量常用单纯形格子法生成。
示例(补充,加权和法):两目标 f₁、f₂,取权重 (0.2,0.8)、(0.5,0.5)、(0.8,0.2),就得到三个单目标子问题:分别最小化 0.2f₁+0.8f₂、0.5f₁+0.5f₂、0.8f₁+0.2f₂。前者更看重 f₂,后者更看重 f₁;(0.2,0.8) 与 (0.5,0.5) 相邻,可共享彼此找到的好解。
权重决定搜索方向,邻域协作帮助解集覆盖不同取舍;若权重分布或分解方式不合适,所得前沿也可能不均匀。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 1 . 5 基 于 遗 传 算 法 的 社 区 检 测 · 查看原书依据
2. MOEA/D 2007年,Zhang和Li等提出MOEA/D算法,其主要思想是通过一些分解策略把优化多个问题的模型划分为优化多个单目标子问题。其中,各个子问题是由相邻子问题的权重向量信息来同时优化的,从而保持了种群多样性。
参考来源
- 位置:《智能算法导论》第 1 章 1.5.1 节“多目标遗传算法”(`EPUB/xhtml/chapter1_0013.xhtml`)。
- 结论依据:原文说明 MOEA/D 将多个目标分解为单目标子问题、使用相邻权重向量的信息,并列出分解策略。三组权重的加权和示例为依据原书分解策略补充的教学示例,非书中数据。
- 原始内容:其主要思想是通过一些分解策略把优化多个问题的模型划分为优化多个单目标子问题。其中,各个子问题是由相邻子问题的权重向量信息来同时优化的