SDC可伸缩的高维约束基准和算法

这篇具有很好参考价值的文章主要介绍了SDC可伸缩的高维约束基准和算法。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

可伸缩的高维约束基准和算法

​ 在过去二十年里,进化约束多目标优化受到了广泛的关注和研究,并且已经提出了一些基准测试约束多目标进化算法(CMOEAs)。特别地,约束函数与目标函数值有紧密的联系,这使得约束特征太单调并且与真实世界的问题不同。因此,之前的CMOEAs不能特别好的解决现实问题,这些问题涉及多态或者非线性特征的决策空间约束。因此,我将介绍一个新的基准框架和设计一个合适的可伸缩的高维决策空间约束的新测试函数。具体来说,不同的高维约束函数和变量之间的复杂联系与现实特征都有紧密联系。在这个框架里,提供了许多的参数接口,以便用户可以比较容易地调整参数获得不同的函数,并且可以测试算法的性能。现已存在不同类型的CMOEAs被用来测试已经提出的测试函数,但是结果很容易陷入局部可行区域。因此我也会介绍一个基于多任务CMOEA去更好的处理这些问题,这个算法有一个新的搜索算法去提高种群的搜索能力。

SDC基准

​ SDC(Scalable High-Dimensional Constraint)有以下特征:

  1. 在决策空间中构造约束,以便建立单峰或多峰约束;
  2. 可伸缩变量与距离函数相关,这可以使约束困难可调节;
  3. 可伸缩变量与距离函数相关,这可以使收敛性困难得到调节;
  4. 设置CPF(Constraint Pareto Front)和UPF(unconstraint Pareto Front)之间的重叠度来测试算法局部调整种群分布的能力

SDC框架

如图所示,SDC框架可以定义不同的层次和把变量分成不同的组。

SDC可伸缩的高维约束基准和算法

Objective level:在这个层次里,变量被分为两部分,形状函数变量和距离函数变量。形状函数变量用于形状函数,这可以控制UPS(unconstraint Pareto Solution)与UPF(unconstraint Pareto Front)的形状和位置。距离函数变量用于距离函数,以便增加收敛难度。

Variable linkage level:为了强制变量联动使距离函数的最优解旋转,距离函数变量通常与形状函数变量中的第一个变量相关联。因此,我们把距离函数变量分为两部分,并且只有后一部分是强制变量联动。

Constraint level:在这个层里,变量 x1s,…,xa1s 被改写为 x1lc,…,xa1lc,因为它们被用来构造低维度约束变量(LCV)。LCV是用在低维度约束函数中,它可以控制CPS的位置和形状。除此之外,为了提高约束的复杂性,引入了高维度约束,并且与高维度约束相关的变量 x1hc,…,xa2hc(HCV(high-dimension constraint variable))。可伸缩HCV x1sc,…,xa3,1sc(SHCV(Scalable HCV))可通过转化操作变为THCV(transformed HCV)。

​ 基于以上定义,可以生成以下测试函数公式:

SDC可伸缩的高维约束基准和算法

d1是CEC2006的约束问题,d2是距离函数,g1和g2分别代表低维度约束和高维度约束。

​ SDC框架里的一些重要观点:

  1. 统一的搜索空间:可以看出 xsc 与 xthc 和 xud 都有关系,因此,最优解 xsc,* 应当同时满足 d2== 0 和 g2 == 0。然而,d2 和 g2 可能有不同的搜索范围。为了使不同范围的形状函数、约束函数和距离函数能在SDC 框架中使用,需要定义一个统一的搜索空间。每一个变量有一个固定的范围 [0 , 1]。当计算任何形状、约束和距离函数,首先将变量从统一搜索空间映射到真正的搜索范围。除此之外,变量联动和转化操作都在统一搜索空间实现。
  2. 高维约束函数和距离函数的难度分离控制:现已存在的形状函数和高维度约束函数,它们都有一个固定的维度,例如,a1 和 a2 是固定的。因此对一个D维向量, a3是固定的。当 a3,1 增加,a3是固定的,g2 的难度将会增加,而 d2 将不会改变。同样的,当a3,1 固定,a3 增加时,g2 的难度将不会改变,而d2 的难度将会增加。因此,高维度约束函数和距离函数的难度可以控制。
  3. 高维度约束的可伸缩难度:因为CEC2006 函数不可伸缩,它的难度直接调整。为了使它可伸缩,我们使用SHCV 和HCV 获得 THCV,如下图所示。

SDC可伸缩的高维约束基准和算法

形状函数(shape functions)

​ 形状函数( h(xs)) 的作用是控制UPF的位置和形状。除此之外,当约束 g1(xlc) 增加时,可以控制CPF的位置和形状。因此,我们可以控制CPF 和 UPF 的关系来检验算法局部调整种群分布的能力。这里有两种调整函数,其中一个的公式如下:

参数 b 可以控制可行区域的位置,不同的值可以使得可行域旋转。另一个调整函数的公式如下:

SDC可伸缩的高维约束基准和算法

参数b 可以控制UPF 和 CPF 之间的重叠度,不同的值可以改变可行区域。

高维度约束函数

​ 选择高维度约束函数一会重要的问题是接近现实问题的实质。CEC2006 函数集可以满足真实的约束多目标优化问题,除此之外,CEC2006 函数提高了优化可行目标值。

转换函数

​ 为了保证优化解得到存在,xthc 的范围应该在[0 , 1]。上图中的xt 代表参与转换操作的变量集,这里设计了两种转换函数:

SDC可伸缩的高维约束基准和算法

距离函数

​ 如图所示,提供了五个距离函数。
SDC可伸缩的高维约束基准和算法

​ 除此之外,变量的联系函数在决策空间不同位置中被用来改变最优解,这里也有两种函数:
SDC可伸缩的高维约束基准和算法

在公式中,这里设置了一个参数(DTC)来控制 [DCT * xd,2]中的xd,2变量参与变量的联系。

IMCMO算法

  1. 动态辅助任务分配
    • 算法中引入了辅助任务,为每个主任务分配一个动态变化的辅助任务。
    • 辅助任务的目的是帮助共享和传递有价值的信息,以提高整体优化性能。
  2. 多目标优化
    • 该算法专注于同时处理多个目标函数,以便获得一组帕累托最优解。
    • 通过维护帕累托最优解集合来实现多目标优化的目标。
  3. 演化多任务学习
    • 算法利用演化多任务学习的方法,通过任务间的知识共享来提高收敛速度和全局搜索能力。
    • 任务之间的交叉和突变促进信息传递,有助于优化过程中各任务之间的协作。
  4. 约束处理
    • 对于受约束的多目标优化问题,算法设计了有效的约束处理策略。
    • 这可能涉及罚函数、约束处理技术等方法,以确保生成的解满足所有的约束条件。
  5. 动态性与自适应性
    • 该算法具有一定的动态性和自适应性,可以根据优化过程中的需求和变化来调整任务分配和资源分配策略。
    • 动态地适应不同的优化场景,并根据需要灵活调整算法参数。

通过结合多目标优化、动态任务分配和演化多任务学习等技术,这种算法能够有效解决受约束的多目标优化问题,并在复杂的优化环境中取得良好的性能表现。

以下是算法伪代码:

SDC可伸缩的高维约束基准和算法
SDC可伸缩的高维约束基准和算法文章来源地址https://www.toymoban.com/news/detail-843967.html

到了这里,关于SDC可伸缩的高维约束基准和算法的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

原文地址:https://www.cnblogs.com/cxj666/p/18100734

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 静态时序分析:SDC约束命令set_input_delay详解

    相关阅读 静态时序分析 https://blog.csdn.net/weixin_45791458/category_12567571.html?spm=1001.2014.3001.5482         本章将讨论使用set_input_delay命令对输入端口的约束。首先需要说明的是,在进行静态时序分析时,任何一条时序路径都需要有约束,约束指的是时序路径的起点(发射触发器)和

    2024年02月21日
    浏览(11)
  • FreeCAD傻瓜式教程之约束设定、构建实体、开孔、调整颜色、透明度、参考距离、任意修改尺寸、保持开孔居中、外部图形、基准平面等

    本内容基于官方教程中的绘制简单的零件中的体会,在初次绘制的时候,总是无法完成,几经尝试才发现其关键点所在,以此文记录,用以被查资料,同时也希望能够帮到纯白新手快速熟悉该软件的绘图方法。 一、. 打开软件,选择Part Design工作台,然后选择任务,新建实体

    2024年02月11日
    浏览(13)
  • 概率,概率分布,高斯分布,高维高斯分布

    高斯分布的理解, 它在低维和高维的形式。 两个基本的概念: 概率:在某事件出现某一结果的可能性大小。 分布:考虑事件的所有可能性 那么它就是分布。 分布函数,是概率统计中重要的函数,正是通过它,可用数学分析的方法来研究随机变量。分布函数是随机变量最重要的概

    2024年02月16日
    浏览(8)
  • 有约束的遗传算法(Python代码实现)

    上次懂了遗传算法最基本的原理,就写了这样一点总结与理解,那么最开始学都是最简单的,小白易懂的遗传算法(Python代码实现)那么现在要加上约束条件了,约束条件我一直不知道套在遗传算法的哪个模块,然后我又发现了一篇很好的文章,遗传算法求解带约束优化问题

    2024年02月14日
    浏览(18)
  • 【多目标规划问题求解】ε-约束算法

    TIME:2022/07/30 Author:雾雨霜星 Web:雾雨霜星的小站 小站原文链接:https://www.shuangxing.top/#/post?id=27 [1]Nima Amjady and Jamshid Aghaei and Heidar Ali Shayanfar. Stochastic Multiobjective Market Clearing of Joint Energy and Reserves Auctions Ensuring Power System Security[J]. IEEE Transactions on Power Systems, 2009, 24(4) : 1841-1854. [

    2024年02月05日
    浏览(18)
  • 学习笔记3 | 高维数据处理——Xarray

    一、数据结构 1.DataArray (1)DataArray的创建 (2)DataArray的属性及常用方法 2.DataSet (1)DataSet的创建 (2)DataSet的属性和常用方法 二、数据的读取 1.读取nc文件 2.读取grib文件 3.读取多个文件并 合并 三、数据的索引 1.通过位置索引 2.通过名字索引 四、数据的坐标系统 1.修改坐

    2024年02月13日
    浏览(11)
  • Facebook HiPlot “让理解高维数据变得容易”

    在这个全球信息化的时代,数据量呈爆炸式增长,数据的复杂性也是如此。如何有效地处理高维数据并找到隐藏在其中的相关性和模式是一个严峻的挑战。近年来,可视化和可视化分析已被应用于该任务,并取得了一些积极成果。Facebook的新HiPlot是一个轻量级的交互式可视化

    2024年02月11日
    浏览(7)
  • scipy求解约束无导数优化问题:SHGO算法

    SHGO,即simplicial homology global optimize,来自2018年的文章,是一种基于组合拓扑学的优化方法,是一个非常新的算法。 这种算法适用于CDFO(constrained deriviate free optimisation)问题,所谓无导数优化,就是把目标函数当作黑箱子处理,而无法获取其一阶导数,自然也不能通过导数来判

    2024年02月14日
    浏览(10)
  • 无约束优化——最速下降算法及Matlab实现

      最近太忙了,更新的有点慢了。本篇就更新一个通常用的较多的算法——最速下降法,其实数值分析中会讲到这个方法。此篇先回顾梯度概念,再讲述最速下降法,最后通过例子理解算法以及实现代码编写。 希望大家看完这篇文章之后能有所收获!!!! 下一篇文章:

    2024年02月02日
    浏览(8)
  • 机器学习笔记之优化算法(一)无约束优化概述

    从本节开始,将介绍 优化算法 ( Optimization Algorithm ) (text{Optimization Algorithm}) ( Optimization Algorithm ) 。 基于支持向量机 ( Support Vector Machine,SVM ) (text{Support Vector Machine,SVM}) ( Support Vector Machine,SVM ) 最大间隔分类器 的朴素思想: 从能够将所有样本点 正确分类 的直线中找到 满足

    2024年02月15日
    浏览(10)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包