基于适应度景观指标的约束多目标进化算法：平衡探索与开发的优化新范式

基于适应度景观指标的约束多目标进化算法：平衡探索与开发的优化新范式

摘要

约束多目标优化问题（CMOPs）广泛存在于工程领域，其决策空间和目标空间的双重约束给算法设计带来了巨大挑战。传统方法在处理复杂约束时往往难以平衡探索与开发。本文提出了一种基于适应度景观指标的约束多目标进化算法（ICMA-FLI），通过动态选择差分进化策略，有效提升了算法在复杂约束环境下的性能。实验表明，该算法在多个测试集和实际工程问题中均表现出显著优势。

1. 引言

现实工程优化问题常涉及多个相互冲突的目标和复杂约束，例如电力系统调度、机械设计等。这类问题可建模为约束多目标优化问题（CMOPs），其数学形式为：
$$\{\begin{array}{l}\min F(x)=(f_1(x),\dots ,f_m(x){)}^T\\ \text{s.t.}{g}_i(x)\ge 0,i=1,\dots ,q\\ h_j(x)=0,j=1,\dots ,p\\ x\in {\mathbb{R}}^n\end{array}$$
其中，$F(x)$ 为目标向量，$g_i(x)$ 和 $h_j(x)$ 分别为不等式和等式约束。解决CMOPs的关键在于平衡收敛性与多样性，同时处理双重空间约束。

传统方法如约束支配原则（CDP）、随机排序（SR）等在复杂约束下易陷入局部最优。差分进化（DE）作为一种高效启发式算法，其性能高度依赖变异策略的选择。本文结合适应度景观分析，提出了一种动态选择DE策略的新方法，以提升算法在复杂约束下的搜索能力。

2. 核心技术：适应度景观指标与动态策略选择

2.1 适应度景观分析

适应度景观由种群中所有个体的适应度值构成，其结构（如多模态、崎岖度）直接影响算法性能。适应度距离相关性（FDC）是衡量景观特征的重要指标，定义为：
$$r_{VD}=\frac{C_{VD}}{S_V{S}_D}$$
其中，$C_{VD}$ 为适应度与距离的协方差，$S_V$ 和 $S_D$ 分别为适应度和距离的标准差。正相关（$r_{VD}>0$）表明远离最优解的个体适应度更差，适合开发；负相关（$r_{VD}<0$）则适合探索。

2.2 动态指标设计

本文提出的指标 $I_t(X)$ 结合FDC和进化代数 $t$，定义为：
$$I_t(X)={\left(\frac{r_{FD}-\min (Ran)}{\max (Ran)-\min (Ran)}\right)}^{\alpha }\cdot \frac{t}{T}$$
其中，$Ran$ 为 $r_{FD}$ 的取值范围，$\alpha$ 为非线性参数，$T$ 为最大迭代次数。该指标随进化代数增长，早期侧重探索，后期侧重开发。

2.3 差分进化策略选择

根据指标 $I_t(X)$，算法动态选择DE策略：

• DE/best/1：当 $I_t(X)$ 较大时，利用最优个体加速收敛（开发）。
• DE/rand/2：当 $I_t(X)$ 较小时，随机选择个体保持多样性（探索）。

2.4 算法框架

算法流程如下：

1. 初始化：生成初始种群和存档。
2. 迭代优化：
   • 计算适应度值和指标 $I_t(X)$。
   • 根据指标选择DE策略生成子代。
   • 更新种群和存档。
3. 输出：非支配解集。

3. 实验与分析

3.1 测试集与指标

• 测试集：
  • CF：含决策空间约束。
  • DOC：含决策和目标空间双重约束。
  • MW：含目标空间约束。
• 指标：
  • IGD（反向世代距离）：越小表示收敛性和多样性越好。
  • HV（超体积）：越大表示解集覆盖范围越广。

3.2 对比算法

• ICMA：基于指标的约束多目标算法。
• ToP：两阶段框架。
• C-TAEA：双存档协同进化算法。
• MOEA/D-DAE：带检测-逃逸策略的MOEA/D。
• PPS：推拉搜索算法。
• TiGE₂：三目标进化框架。

3.3 实验结果

关键结论：

1. 双重约束优势：在DOC测试集上，ICMA-FLI在17个问题中13次取得最优IGD，显著优于其他算法。
2. 目标空间约束：在MW测试集上，ICMA-FLI的HV值平均提升15%，表现稳定。
3. 实际应用：在三电平逆变器调制、桁架设计等工程问题中，ICMA-FLI的解集更接近真实PF。

4. 结论

本文提出的ICMA-FLI算法通过动态适应度景观指标，有效平衡了探索与开发，在复杂约束环境下表现出卓越性能。未来可进一步研究指标参数的自适应调整，以及扩展至更多工程领域。

参考文献

[1] Fang J, Liu H L, Gu F Q. A constrained multi-objective evolutionary algorithm based on fitness landscape indicator[J]. Applied Soft Computing, 2024, 166: 112128.