[智能算法]基于分解的多目标优化算法MOEA/D

原创已于 2025-07-11 15:00:28 修改 · 475 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#算法

于 2025-07-11 14:59:32 首次发布

学习笔记专栏收录该内容

165 篇文章

订阅专栏

一、概述

基于分解的多目标优化算法(multiobjective evolutionary algorithm based on decomposition)简称MOEA/D。其核心思想是将一个多目标优化问题分解为多个标量优化子问题，并对其同时进行优化。且每个子问题仅使用相邻的两个子问题的信息进行优化。同时其还可以结合目标归一化技术，用于处理缩放的目标。

由于每个子问题使用的信息更少，所以其计算复杂度要远低于NSGA-Ⅱ。

对于MOEA/D算法而言，最重要的是构建聚合函数和邻域结构。聚合函数可以将多目标的权重分布结合起来，并在此基础上定义个体的适应度；邻域结构可以在高效运行的同时保持多样性，邻域之间的信息交互通过局部搜索机制进行。

二、分解策略

多目标优化问题（MOP）的目标函数可以表述为：

$maxF(x)=(f_1(x),...,f_m(x))^T$

2.1加权求和法

设置一组权重向量 $\lambda=(\lambda_1,...,\lambda_m)^T$ ，且 $\lambda_i\geq 0$ ， $\sum_{i=1}^m\lambda_i=1$ ，可将目标函数写作：

$maxg^{ws}(x|\lambda)=\sum_{i=1}^m\lambda_if_i(x)$ ，其中 $x$ 为待优化变量， $\lambda$ 是目标函数的系数向量，可以通过不同的权重向量 $\lambda$ 来产生一组不同的帕累托最优解。其分解方式如下图所示：

2.2切比雪夫法

切比雪夫法的公式可表述为：

$ming^{t\varepsilon }(x|\lambda,z^*)=max_{1\leq i\leq m}\{\lambda_i|f_i(x)-z_i^*\}$ ，其中 $z^*=(z_1^*,...,z_m^*)$ 为参考点，对于 $\forall i=1,...,m$ 均有 $z_i^*=max\{f_i(x|x\in\Omega)\}$ 。

对于每个帕累托最优解 $x^*$ 而言，总存在一个权重向量 $\lambda$ 可以将上式映射为原MOP的帕累托最优解。其分解过程可以描述为：

2.3基于惩罚的边界交叉法

边界交叉法的目标是找到最上边界和一组线的交点，通过数学表述为：

$ming^{bi}(x|\lambda,z^*)=d$ ，其约束为 $z^*-F(x)=d\lambda$ 可以保证 $F(x)$ 总是具有方向线 $L$ 且其上必定通过 $z^*$ ，目标是尽可能推高 $F(x)$ 。式中 $\lambda$ 为权重向量， $z^*$ 为参考点。

在实现过程中，采用惩罚的方法实现等式约束，可以表述为：

$ming^{bip}(x|\lambda,z^*)=d_1+\theta d_2$ ，其中 $d_1=\frac{||()z^*-F(x))^T\lambda||}{||\lambda||}$ ， $d_2=|||F(x)-(z^*-d_1\lambda)||$ ，另 $\theta>0$ 为预设的惩罚参数。其过程如下图所示：