用于噪声多目标优化的双阶段进化方法技术

本发明专利技术提出了一种用于噪声多目标优化问题的双阶段进化方法，主要解决现有方法中降噪成本高，模型降噪不具有普适性导致进化性能低的问题，其实现方法为：1)初始化参数，设置种群及相关档案；2)对种群进行种群迭代进化：在进化前期生成子代，并测得当前世代噪声强度，根据所测得噪声强度自适应选择基于模型降噪方法和基于平均降噪方法对候选解进行降噪处理，并根据降噪后的候选解进行档案更新；在进化后期，通过可靠解选择方法从前期所有评估过的个体中选出非支配解集作为噪声多目标优化问题的最终输出解。本发明专利技术能有效降低噪声对进化过程中环境选择准确度的影响，避免噪声对进化方向的误导，提升了进化性能，可用于对噪声多目标问题的优化。标问题的优化。标问题的优化。

【技术实现步骤摘要】
用于噪声多目标优化的双阶段进化方法


[0001]本专利技术属于目标处理
，特别涉及一种双阶段进化方法，可用于对噪声多目标问题的优化。

技术介绍

[0002]现实生活中存在大量可以建模为多目标优化问题的实际工程问题。例如，机械设计、机械制造、航空航天等领域。这些实际问题均涉及多个目标需要同时进行优化，并且目标之间往往存在冲突，因此不存在一个解同时使得所有目标均达到最优。相反，最终得到的是一个非支配解集，其中包含一组权衡解，这个解集被称作帕累托集。然而，在实际优化问题中，由于人为操作或者周围环境的影响，噪声是不可避免的。噪声的存在会导致对同一个解进行多次评估时，得到不同的评估结果。此外，噪声的存在还会导致种群个体之间的支配关系发生紊乱，更严重的甚至可能会误导进化搜索的方向，从而导致进化性能急剧下降。因此，为了保证进化的性能需要使用一些额外的降噪方法来对带噪声数据进行处理。
[0003]目前对噪声多目标优化方法主要分为平均、排序、建模这三类，其中：
[0004]基于平均的方法，是对所有要评估的解进行固定数量的重采样后，以各个目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于噪声多目标优化的双阶段进化方法，其特征在于，包括如下步骤：(1)初始化：(1a)通过初始采样生成一个种群规模N的初始种群，种群中的所有个体均使用真实目标评估后，加入原始档案OA；(1b)分别使用收敛性档案CA和多样性档案DA的更新方法从原始档案OA中选出收敛性档案CA和多样性档案DA；(1c)利用二元ε
‑
指标I
ε+
计算原始档案OA中所有个体的适应度，选出适应度最大的个体，对其重采样N/2次，并利用这些采样值计算每个优化目标的最大估计误差E
·
；(1d)设已使用的真实评估初始值设整个优化过程所测量的噪声强度小于0的初始次数c1＝0，设整个优化过程所测量的噪声强度大于等于0的初始次数c2＝0，设当前累计的所测量噪声强度大于等于0的初始次数count＝0，设剩余比例为q，最大函数评估数量为Eval
max
，设θ为可接受噪声阈值，S为重采样次数，设非支配解集GNA为空；(2)判断进化阶段：若同时满足q*Eval
max
<c<Eval
max
和c2>c1这两个条件，则为进化后期，执行步骤(7)；反之，则为进化前期，执行步骤(3)；(3)子代生成：从收敛性档案CA和多样性档案DA中选出亲代种群P，在P中利用遗传算子产生子代种群O；对子代种群O进行真实目标评估后将其归档到原始档案OA中，重新统计已使用真实评估数量c；(4)通过噪声强度测量方法测量当前子代种群噪声的强度s，并根据该强度s确定是否进行噪声处理：若s小于0，则对c1进行加一操作，对count进行清零，重新统计已使用真实评估数量，执行步骤(6)；反之，则对c2进行加一操作，重新统计已使用真实评估数量c，执行步骤(5)；(5)对所有待降噪解进行不同的降噪处理：(5a)设自适应调整参数初始值为δ
Max
及缩放因子k
′
，计算当前的自适应调整参数δ：(5b)比较count与δ的值，对所有待降噪解进行不同的降噪处理：若count小于δ，则使用基于模型的降噪方法对所有待降噪解进行降噪处理，并令count＝count+1，执行步骤(6)；反之，使用基于平均的降噪方法对所有待降噪解进行降噪处理，并重新统计已使用的真实评估数量c，对count进行清零后，执行步骤(6)；(6)分别利用收敛性档案CA和多样性档案DA的更新方式在候选解中对收敛性档案CA和多样性档案DA进行更新，并执行步骤(9)；(7)判断非支配解集GNA是否为空：若否，执行步骤(8)；若是，在原始档案OA中使用非支配排序得到非支配解集GNA，执行步骤(8)；
(8)可靠解选择：从非支配解集中找到重采样次数最少的非支配解；对此非支配解进行一次重采样，将所有采样目标值进行平均，并将该平均值作为降噪后的目标值，更新OA档案中此解的目标值；在原始档案OA中使用非支配排序得到新的非支配解集GNA，重新统计已使用的真实评估数量c，并执行步骤(9)；(9)判断终止条件：若c<Eval
max
，返回步骤(2)；反之，优化过程结束，输出最后一次更新的非支配解集GNA作为最终输出解。2.根据权利要求1所述的方法，其特征在于：步骤(1b)中使用收敛性档案CA的更新方法从原始档案OA中选出收敛性档案CA，实现如下：(1b1)计算原始档案OA中每个解x
OA
的适应度值的适应度值I
ε+
(x
′
OA
,x
OA
)＝max(F(x
′
0A
)
‑
F(x
OA
))其中，x
′
OA
,x
OA
为原始档案OA中的两个不同解，I
ε+
(x
′
OA
,x
OA
)表示解x
OA
相对于解x
′
OA
的二元ε
‑
指标值，F(x
′
OA
),F(x
OA
)分别为x
′
OA
,x
OA
对应的目标值，c
OA
代表原始档案OA中所有解的二元ε
‑
指标值中的最大值，k代表一个缩放因子，k>0；(1b2)从计算得到的每个解的适应度值中选择适应度最高的前N个解作为收敛性档案CA。3.根据权利要求1所述的方法，其特征在于：步骤(1b)中使用多样性档案DA的更新方法从原始档案OA中选出多样性档案DA，实现如下：(1b3)通过非支配排序和L
p
范数距离从原始档案OA中选出多样性档案DA，即对原始档案OA中的所有解进行非支配排序，得到非支配解集NA；(1b4)将非支配解的数量与DA档案规模N进行比较：若非支配解数量小于等于N，则将所有非支配解作为多样性档案DA；反之，执行步骤(1b5)和(1b6)；(1b5)计算非支配解两两之间的L
p
范数距离，并根据L
p
范数距离计算适应度f(x
OA
)：其中，x'
OA
,x
OA
分别为非支配解集NA中的两个不同解，L
p
(x
OA
,x
′
OA
)为x'
OA
,x
OA
之间的L
p
范数距离。(1b6)从非支配解集NA中选出适应度最大的N个解作为多样性档案DA。4.根据权利要求1所述的方法，其特征在于：步骤(1c)中使用选中适应度最大的个体的采样值计算每个优化目标的最大估计误差E
·
，公式如下：
其中，E
i
代表第i个目标上的最大估计误差，代表第i个目标上的第k次采样值，为第i个目标上的第j次采样值，S'为所有采样值构成的集合，m为优化目标数量。5.根据权利要求1所述的方法，其特征在于：步骤(4)中通过噪声强度测量方法测量当前子代种群噪声的强度s，其实现如下：(4a)对生成的子代种群O进行非支配排序，选择其中的非支配解作为重采样解，并对这些解进行一次重采样，使用采样后每个非支配解的目标值替代原目标值后，将目标值替换后子代种群记为O'；(4b)计算目标值替换前子代种群O中的每个解x
O
的适应度的适应度I
ε+
(x
′
O
,x
O
)＝max(F(x
′
O
)
‑
F(x
O
))其中，x
′
O
,x
O
为目标值替换前子代种群O中的两个不同解，I
ε+
(x
′
O
,x
O
)表示解x
O
相对于解x
′
O
的二元ε
‑
指标值，F(x
′
O
),F(x
O
)分别为x
′
O
,x
O
对应的目标值，c
O
代表目标值替换前子代种群O中所有解的二元ε
‑
指标值中的最大值，k代表一个缩放因子，k>0；(4c)用目标值替换前子代种群O中所有解的适应度构成目标值替换前子代种群的适应度集合其中N
re
表示重采样解的数量，N代表种群中所有解的数量，代表种群O中第N
re
个解的适应度，代表种群O中第N
re
+1个解的适应度；(4d)计算目标值替换后子代种群O
′
中的每个解x
O
′
的适应度的适应度I
ε+
(x
′
O
′
,x
O
′
)＝max(F(x
′
O
′
)
‑
F(x
O
′
))其中，x'
O'
,x
O'
为目标值替换后子代种群O
′
中的两个不同解，I
ε+
(x
′
O
′
,x
O
′
)表示解x
o'
相对于解x'
O'
的二元ε
‑
指标值，F(x
O'
),F(x'
O'
)分别为x
′
O
′
,x
O'
对应的目标值，c
O'
代表目标值替换后子代种群O
′
中所有解的二元ε
‑
指标值中的最大值，k代表一个缩放因子，k>0；(4e)用目标值替换后子代种群O
′
中所有解的适应度构成目标值替换后子代种群的适应度集合其中N
...

【专利技术属性】
技术研发人员：王晗丁，郑楠，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：