动态多目标进化优化研究进展

作者：郭一楠; 汤万宝; 陈国玉; 巩敦卫^*

来源：信息与控制, 2021, 50(02): 162-173.

DOI：10.13976/j.cnki.xk.2021.0556

• 多目标优化
• 动态
• 进化算法
• 鲁棒

动态多目标优化问题在实际生产与生活中广泛存在且问题特性随时间或环境的变化复杂多样.为有效解决该类问题,研究人员先后提出用于跟踪最优解的动态多目标进化优化方法和获得鲁棒Pareto最优解集的鲁棒动态多目标进化优化方法.前者检测到多目标优化问题特性动态改变时,重新触发寻优过程,从而快速、准确地收敛到新环境下优化问题的真实Pareto前沿.因此,环境变化检测机制和环境响应策略是核心.本文从环境变化检测方法和多样性保持、记忆策略、预测机制、迁移学习等环境响应策略入手,对已有研究进行分类归纳和总结.为有效降低解的切换代价,在有限时间内为用户提供可行且满意的较优解,已有的鲁棒动态多目标进化方法通过构建新型鲁棒多目标优化模型,寻找鲁棒Pareto最优解,不仅在当前环境下具有最优的收敛性能,还能以一定的满意程度,逼近未来多个相邻动态环境下优化问题的真实Pareto前沿.为合理评价上述方法的性能,本文列出常用的性能评价指标.最后,基于对已有方法局限性的分析,探讨了动态多目标进化优化存在的难点和挑战.

• 单位
  中国矿业大学（北京）; 中国矿业大学