基于分割多向预测策略的动态多目标优化方法技术

本发明专利技术公开了一种基于分割多向预测策略的动态多目标优化方法，它针对线性模型预测误差弥补不足的问题，能够更好的预测最优前沿的变化，保证对最优前沿凹凸性的分布变化的预测，有效弥补方向预测的距离误差。它包括如下步骤：(1)对动态多目标问题进行描述；(2)分割多向预测。本发明专利技术的有益效果在于：首先将搜索到的最优前沿进行分割，依据最优前沿的分割结果划分种群，对种群每个部分进行线性预测，借鉴云模型对于不确定时间的描述，用熵和超熵弥补预测误差，针对动态问题中可能发生的突发性非线性变化，采用偏角增强搜索策略保证预测过程中种群的多样性。

Dynamic multi-objective optimization method based on segmentation multi-directional prediction strategy

【技术实现步骤摘要】
基于分割多向预测策略的动态多目标优化方法
本专利技术属于智能计算、多目标优化
，具体涉及基于分割多向预测策略的动态多目标优化方法。
技术介绍
在空天高速目标探测跟踪过程中，由于目标速度快、机动能力强、飞行区域跨度大，单一传感器难以有效持续探测跟踪，因此运用多源异构传感器调度技术合理安排探测跟踪任务与时序显得尤为重要。调度的资源主要包含天基红外传感器和地基雷达传感器，涉及到的传感器类型包括高轨红外探测卫星、低轨红外卫星、地基P波段雷达和地基X波段雷达等。由于空天高速目标是一类新型目标，目前关于此类目标探测跟踪的传感器资源调度问题的研究较少。卫星资源调度与此问题相似，两者的求解调度方案都是基于时间的资源分配问题。但是传感器资源对目标的探测跟踪有严格的时间约束，如果在有限时间内传感器只能实现部分监视或是无监视，那么该任务失败且不存在二次观测的机会，这是与一般的遥感或是导航卫星调度问题的主要区别。由于问题特性不同，传感器资源调度问题与传统调度问题存在以下3点区别：(1)任务无时间等待，目标在有限时间内不被观测则没有观测机会。(2)一对多和多对一同时存在的资源匹配，匹配规则不一致导致编码和搜索难度加大。(3)传感器观测时间碎片化，搜索过程中容易产生不符合约束条件的碎片时间，搜索难度加大。针对上述问题，考虑构建空天高速目标探测跟踪多源异构传感器资源调度模型因素，可以利用动态多目标优化(DynamicMulti-objectiveOptimization,DMO)模型来实现多源异构传感器资源的实时调度，为空天高速目标的协同跟踪构建可靠的传感器网络。动态多目标优化问题(DynamicMulti-objectiveOptimizationProblem,DMOP)不仅表现出多目标优化问题的优化目标冲突、解空间维度高等特点，还具有优化目标、条件约束、决策空间随时间变化的特点。传统优化方法受限较多，难以满足现代化工程和科研的问题大规模、高时效性和复杂NP问题的要求。与传统方法相比，进化方法对问题模型要求低，求解效率高，并且表现出高度并行、自组织、自适应等优点，已经应用在许多工业应用和研究领域。在求解动态多目标优化问题的进化算法中，最简单的方法是保持种群多样性。Deb提出的DNSGA-II(Dynamicmulti-objectiveoptimizationanddecision-makingusingmodifiedNSGA-II)采用部分随机初始化或是随机变异增加种群在变化环境中的适应性(K.Deb,UB.RaoN,S.Karthik.Dynamicmultiobjectiveoptimizationanddecision-makingusingmodifiedNSGA-II:acasestudyonhydro-thermalpowerscheduling.In:Proceedingsofthe4thInternationalConferenceonEvolutionaryMulti-CriterionOptimization.Matsushima,Japan:Springer,2007.803-817.)Azevedo采用三种移民策略初始化环境变化后的种群(C.R.B.Azevedo,A.F.R.Araujo.Generalizedimmigrationschemesfordynamicevolutionarymultiobjectiveoptimization.In:ProceedingsofIEEECongressonEvolutionaryComputation.NewOrleans,LA,USA:IEEE,2011:2033–2040.)；尚荣华采用多种免疫策略相结合的方法初始化环境变化后的种群进行(R.H.Shang,L.C.Jiao,M.G.Gong,W.P.Ma.Animmuneclonalalgorithmfordynamicmulti-objectiveoptimization.JournalofSoftware,2007,18(11):2700-2711.)。由于对动态环境的变化趋势未知，这种方法凭借尝试性探索未知区域以保证在变化后的存有优势个体。其优势是能够应对各种环境变化，缺点是难以在环境变化后延续环境变化前的搜索优势，因此这种方法表现较强的环境适应性和较差的搜索优势保持能力。相比与早期以保持种群多样性应对环境变化的方法，研究者们开始利用多次环境变化后的历史信息，通过统计分析多次环境变化前的非支配解集预测下一时刻环境变化的种群位置。通过统计分析多次环境变化前的非支配解集预测下一时刻环境变化的种群位置。这种思想主要有两种求解思路：记忆策略和预测策略。记忆策略存储大量非支配解集信息，通过规律预测下一时刻种群位置，这种方法对于解决“短周期性”的动态问题效果较好，因为“周期性”可以通过历史信息描述，“短”表示存储空间少。但是这种策略在处理环境变化频率高或是非线性时变问题时，表现出较多的存储空间消耗大和预测不准确。相对于记忆策略，预测策略通过统计分析历史信息，利用预测理论(如线性回归模型、自回归模型等)预测种群可能迁移的方向。Hatzakis提出前向预测方法(Feed-forwardPredictionStrategy，FPS)(I.Hatzakis,D.Wallace.Dynamicmulti-objectiveoptimizationwithevolutionaryalgorithms:aforward-lookingapproach.In:Proceedingsofthe8thAnnualConferenceonGeneticandEvolutionaryComputation.Washington,USA:ACM,2006.1201-1208.)，该算法使用自回归模型预测非支配解集迁移位置，由于FPS历史信息统计分析不完全，预测效果不佳。Zhou提出了种群预测策略(PopulationPredictionStrategy，PPS)(A.M.Zhou,Y.C.Jin,Q.F.Zhang.Apopulationpredictionstrategyforevolutionarydynamicmultiobjectiveoptimization.IEEETransactionsonCybernetics,2014,44(1):40-53)，使用自回归模型预测预测种群中心迁移位置，然后采用形状估计平移整个种群。PPS与FPS相比有两个优点，一是历史信息的进一步处理，即采用种群中心位置进行预测；二是形状估计的方法比种群个体逐个预测迁移的效果要好。但是，自回归模型的策略有一个根本上的弊端，即需要大量的统计信息构建模型。如果多次预测偏差增加，那么预测误差会被放大，当环境变化规律发生变化时，难以较快适应。自回归模型是一种很常用的预测规律性变化问题的模型，但具有响应慢、统计数据量大等缺点，线性模型虽然简单，通过简单的多样性保持策略能够有效弥补自回归模型的缺点。Wu本文档来自技高网...

【技术保护点】
1.基于分割多向预测策略的动态多目标优化方法，其特征在于，它包括如下步骤：/n(1)对动态多目标问题进行描述；/n(2)分割多向预测。/n

【技术特征摘要】
1.基于分割多向预测策略的动态多目标优化方法，其特征在于，它包括如下步骤：
(1)对动态多目标问题进行描述；
(2)分割多向预测。


2.如权利要求1所述的基于分割多向预测策略的动态多目标优化方法，其特征在于：所述的步骤(1)中的动态多目标问题描述如下：



其中，x＝(x1,...,xn)T是n维决策空间中的决策变量，t为时间变量，(f1(x,t),f2(x,t),L,fm(x,t))T是动态多目标优化问题的目标函数向量，评价函数F(x,t)为决策空间到目标空间的映射，s.t.表示约束条件。


3.如权利要求1所述的基于分割多向预测策略的动态多目标优化方法，其特征在于：所述的步骤(2)中的分割多向预测首先将最优前沿分割成多个片段，依据分割结果对决策空间的种群进行划分，然后在每个种群中选择部分个体采用偏角增强搜索策略寻找最优前沿变化方向，最后采用偏角增强搜索对最优前沿可能偏移的位置进行补充搜索。


4.如权利要求3所述的基于分割多向预测策略的动态多目标优化方法，其特征在于，所述的步骤(2)具体包括如下步骤：
(a)进行种群分割；
(b)定向云预测；
(c)偏角增强搜索；
(d)环境检测；
(e)进行分割多向云预测策略计算。


5.如权利要求4所述的基于分割多向预测策略的动态多目标优化方法，其特征在于：所述的步骤(a)进行种群分割包括，在PF中，选择一个边界点作为第一个关键点，然后计算每个点到此边界点的距离，选择距离最大点作为第二关键点；计算其他个体距离第二关键点的距离，选择一个点距离两个关键点距离之和最大的点作为第三关键点，依次类推选择m+1个关键点，m为目标个数，每个个体选择距离最近的关键点，构成m+1个片段，依据PF的分割结果划分多个种群。


6.如权利要求4所述的基于分割多向预测策略的动态多目标优化方法，其特征在于：所述的步骤(b)定向云预测包括，
种群规模为N，第i个种群Popi含有Ki个个体，对于t时刻子种群Popi中心描述如下：



其中，第k个个体为n为决策空间维度，Ci(t)表示t时刻种群中心位置，|·|表示集合的势；
利用t时刻和t-1时刻的种群中心点位置预测t+1时刻的预测种群迁移向量di(t)和两次迁移误差Δ(t)如下
di(t)＝Ci(t)-Ci(t-1)(3)
Δ(t)＝di(t)-di(t-1)(4)
使用正态云模型预测种群迁移位置，种群移动方向为期望，移动向量的欧氏距离di(t)为熵，两次种群移动方向的偏差Δ(t)作为超熵，使用期望、熵和超熵构建正态云发生器，首先以Δ(t)为期望，||Δ(t)||/n为标准差生成正态随机向量En'～N(Δ(t),||Δ(t)||2/n2)，其中En'＝(En1',...,Enn')；然后以di(t)为期望，En'为标准差生成正态随机向量v1～N(di(t),En'2)，环境变化后个体的预测位置y表示如下：
y＝p+v1(5)
其中，p为环境变化前个体位置，v1是预测方向。


7.如权利要求4所述的基于分割多向...

【专利技术属性】
技术研发人员：齐智敏，马贤明，宋亚飞，张海林，倪鹏，陈敏，
申请(专利权)人：中国人民解放军军事科学院评估论证研究中心，
类型：发明
国别省市：北京;11