[发明专利]一种基于迁移学习与特殊点策略的动态多目标进化方法

说明书

本发明实施例提供了一种基于迁移学习与特殊点策略的动态多目标进化方法，涉及进化计算领域。该方法包括：对动态多目标优化场景分析，获取所述优化场景的初始种群；采用多目标估计分布方法优化所述初始种群，获取所述初始种群的前端优化集；根据所述前端优化集获取特殊点；当所述决策变量发生变化时，基于联合分布适配的迁移学习方法将所述特殊点映射到高维空间，得到下一时刻的所述特殊点；采用多目标估计分布方法优化下一时刻所述初始种群，获取下一时刻所述初始种群的前端优化集。通过所述特殊点，实现对新环境下所述特殊点的准确预测，随机产生其他个体，增加种群多样性，从而提高算法在新环境下的收敛速度和收敛精度。

技术领域

本发明涉及进化计算领域，特别是涉及一种基于协同进化算法的月度集中竞价机制求解方法。

背景技术

在生产调度、人工智能、组合优化、工程设计、大规模数据处理、城市运输、水库管理、网络通信、数据挖掘和资本预算等诸多优化领域,常常会遇到许多复杂的更为接近现实生活的动态和静态优化问题。在过去的几十年，人们大多致力于静态目标问题的研究，直到近几年，动态目标问题才引起越来越多研究者的兴趣。

目前，对动态多目标问题的研究成果还不多，国际上也才刚刚起步，可见到的理论较少。这些成果大多针对离散时间变量设计算法，或者把一些静态多目标优化算法直接用于动态多目标的求解。然而，对于动态多目标而言，因其具有多个依赖时间的相互冲突的目标，加之其Pareto最优解(Pareto efficiency，也称为帕累托效应，是指资源分配的一种理想状态)随时间的变化会发生改变。因此，对动态多目标的优化显得比较困难。对于动态优化问题，目前主要分为下面3种类型。1)保持种群的多样性：如Grefenstette提出的随机迁移进化策略、Morrison提出的超变异法及GanRuan等人提出的多样性维持策略都是用来提高种群多样性的有效方法；2)基于记忆的方法：对于动态进化算法，增加历史获得的较好解，并在需要的时候重新启动这些解并将其用于进化，在环境变化的情况下，这样会大大提高算法对问题求解的效率和搜索能力。记忆通常分为2种：利用冗余表示的隐式记忆和通过引入额外记忆集存储的显式记忆。如Ryan提出的利用额外二倍体隐式记忆方法，Collins提出的基因分级结构记忆方法等。尽管上述各种隐式记忆的方法能够使进化算法间接地存储一些有效信息，但并不确定算法能否有效地使用这些信息。3)基于预测的方法：如IasonH等人在求解动态单目标优化进化算法基础上提出了一种向前估计方法(Forward-LookingApproach)，Aimin Zhou等人提出一种基于种群预测的动态多目标进化算法，ArrchanaMuruganantham等人提出一种基于卡尔曼滤波预测的算法，Juan Zou等人提出的基于中心点和拐点预测策略等方法可以在环境变化之后做出快速响应，但预测的准确性是其主要难点。

目前，大多数动态多目标优化算法预测模型的不同环境下的解集遵循独立同分布，这个假设无疑简化了问题的复杂度，但是前沿的变化可能会导致不同环境下的解集分布的不同，这对于传统的机器学习的求解十分困难， Min Jiang等人提出基于迁移学习的动态多目标优化算法，利用传输成分分析(TCA)的迁移学习方法，将当前时刻的前沿映射到高维空间，得到下一时刻的初始种群，这个方法有效提高了获得解的质量，但计算十分复杂。

设计求解动态多目标优化问题的进化算法首先需考虑以下关键问题：1) 如何使算法能有效跟踪不同时间(环境)下的Pareto最优解集；2)如何使算法快速准确求得不同时间(环境)下多目标问题的Pareto最优解。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于迁移学习与特殊点策略的动态多目标进化方法。

为了解决上述问题，本发明实施例公开了一种基于迁移学习与特殊点策略的动态多目标进化方法，包括：

对动态多目标优化场景分析，获取所述优化场景的初始种群，所述初始种群包含动态目标，决策变量和约束条件；