智能控制技术-第十三课鲁棒优化

NSGA-II
2. 拥挤距离的计算 :
为了保持个体分布均匀，防止个体在局部堆积，NSGAII算法首次提出了拥挤距离的概念。它指目标空间上的每 一点与同等级相邻两点之间的局部拥挤距离。使用这一方 法可自动调整小生境，使计算结果在目标空间比较均匀地 散布，具有较好的鲁棒性。
NSGA-II
P[i]dis tan ce ( P[i 1]. f1 P[i 1]. f1 ) ( P[i 1]. f 2 P[i 1]. f 2 )
NSGA-II
4.精英保留策略:
首先，将父体和子代全部个体合并成一个统一的种群放 入进化池中，种群的个体数成为2N。然后种群按非劣解等 级分类并计算每一个体的局部拥挤距离。依据等级的高低 逐一选取个体直到个体总数达到N，从而形成新一轮进化 的父代种群，其个体数为N。在此基础上开始新一轮的选 择，交叉和变异，形成新的子代种群。这种方法可加快进 化的速度。
f1 ( x1 ) x1 n g ( x2 ,..., xn ) 1 9 i 2 xi (n 1) h( f1 , g ) 1 f1 g
matlab演示
鲁棒优化
鲁棒的概念
Minimize f ( x) 2 0.8e Subject to : x 0, 1
4.参数较多，如果设置不恰当会导致算法运行的性能下降
NSGA
非支配排序遗传算法NSGA（Non-dominated Sorting Genetic Algorithm）是由Srinivas和Deb提出的，这是一种基于Pareto最优 概念的遗传算法。 优点：优化目标个数任选，非劣最优解分布均匀，并允许存在多个 不同的等价解。
一种基于maximin的多目标优化算法
适应度值计算方法
f maximin ( xi ) max{min{ f k ( xi ) f k ( x j )}}.
j i k
f k ( xi )
f k ( xi ) min( f k ( xi ))
k
max( f k ( xi )) min( f k ( xi ))
为了根据个体的非劣解水平将种群分类，必须将每一个体与其他 个体进行比较。NSGA-II算法采用快速的非劣解分类方法，计算速 度提高。
首先，对每一个解计算两个属性：
（1）ni，支配解i的解数目； （2）si，解i所支配解的集合。
找到所有ni=0的解并将其放入F1，称F1是当前非劣解，其等级为 1。对当前非劣解中的每一个解i，考察其支配集中si的每一点j并将 nj减少一个，如果某一个体j其nj成为零，我们把它放入单独的类H 。如此反复考察所有的点，得到当前非劣解H。依次类推，直至所 有解被分类。
P[i]dis tan ce ( P[i 1]. f k P[i 1]. f k )
k 1 r
NSGA-II
3.选择运算:
选择过程使优化朝Pareto最优解的方向进行并使解均 匀散布。比较两个个体，如果非劣等级不同，则取等级上，则取 比较稀疏区域内的点，以使进化朝非劣解和均匀散布的方 向进行。
步骤4：如果已经满足停止准则，例如nonDomList中已经达到最大或者已经达到最大 迭代次数，则中止计算，输出nonDomList；否则迭代次数加1并跳转到步骤2。
测试函数
ZDT系列测试函数是Zitzler最早提出来的用来测试多目标优化算 法的比较经典的测试函数，ZDT系列测试函数都具有以下相同 的形式： min f ( x ) ( f1 ( x1 ), f 2 ( x )) s.t. f 2 ( x ) g ( x2 ,..., xn ) h( f1 ( x1 ), g ( x2 ,..., xn )) 其中，ZDT1函数的Pareto前沿是凸的并且是连续的，其具体如 下式所示：
Z = {z Rq | z1 f1 ( x), z2 f2 ( x),
, m}
, zq fq ( x)}
支配（占优）关系
设p和q是Pop中的任意二个个体，我们称p支配 （dominated）q，则必须满足下列条件： （1）对所有的子目标，p不比q差。 即 fk ( p) fk (q)(k 1, 2, , r) ，其中r为子目标的数量（求极小 fk ( p) f k (q)(k 1, 2, , r ) 值） 。
f ( x ) p( )d
f
var
( x) ( f ( x ) f exp ( x))2 p( )d


鲁棒优化问题复杂性 对于不同的多目标优化问题和优化问题的变量扰动存在 的差异，用鲁棒的方法得到的鲁棒Pareto最优前沿和 原有的Pareto最优前沿肯定有着不同的分布和排列， 但是可以归结为以下4种情况
Subject to c( x ) ( c1 ( x ), c2 ( x ),..., cm ( x )) 0 x ( x1 , x2 ,..., xD ) X y ( y1 , y2 ,..., yk ) Y

gi ( x) 0
S = {x Rq | gi (x) 0, i = 1,2,
多目标优化的国内外研究现状
1.传统的方法：权重法，约束法，混合法，目标规划法，最大 最小法等。 特点：将多个目标聚合成一个函数。 缺点：各目标加权值的分配带有较大的主观性；优化过程中各 目标的优度进展不可操作等；在处理高维数、多模态、非线 性等复杂问题上存在许多不足。
Minimize/ Maximize f ( x ) i 1i fi ( x )
多目标优化的国内外研究现状
2.多目标优化遗传算法：VEGA，HLGA，FFGA，MOGA，NPGA ，NSGA，SPEA，NSGA-II，SPEA2，PAES
缺点：
1.多目标遗传算法的局部搜索能力较差 2.求解过程依赖于染色体的表示形式，即与个体 编码 方式的关系很密切 3.非劣最优解域收敛性分析困难
此时称p为非支配的，q为被支配的。
l {1, 2,
, r}, 使fl ( p) fl (q)
支配关系
其中1、2、3、4代表四个可行解，点4表示的解支配点1、2、 3所表示的解，点2、3所表示的解均支配点1表示的解；点2 与点3所表示的解彼此不相关。
Pareto 边界
非劣解又称为Pareto最优解，多目标优化问题有很多个 Pareto最优解，解决多目标优化问题的关键在于获得有这 些Pareto最优解组成的集合。Pareto 最优解集在解空间 中往往会形成一条边界线（超平面），又叫front。
K
多目标优化的国内外研究现状
遗传算法是模拟自然界生物进化过程与机制，求解优化与搜 索问题的一类自组织、自适应的人工智能技术。由于遗传算法 是对整个群体进行的进化运算操作，它着眼于个体的集合，而 多目标优化问题的非劣解一般也是一个集合，遗传算法的这个 特性表明遗传算法非常适合求解多目标优化问题。近年来，遗 传算法应用于多目标优化领域 。
2 1.8 f(x) 1.6 1.4 B A Original Average
( x 0.35 2 ) 0.25
e
(
x 0.85 2 ) 0.03
1.2
1 0.8 0
0.2
0.4
x
0.6
0.8
1
常用的鲁棒处理方法
目标函数的期望fexp(x)与方差fvar(x)
f
exp
( x)


缺点：
N为种群大小，M为 a）计算复杂度较高，算法复杂度是 O MN (其中 目标函数的个数)，当种群较大时，计算相当耗时；
3
b）没有精英策略，精英策略能加速算法的执行速度，而且也能在一 定程度上确保已经找到的满意解不被丢失；
c）需要指定共享半径
share
NSGA-II
1.快速的非劣解分类方法：
k k
.
ε-支配策略的引入和改进
f maximin ( xi ) max{min{ f k ( xi ) f k ( x j ) / (1 )}}.
j i k
算法流程
步骤1：初始化：给定粒子种群数M，随机产生M个粒子并存放在DomList中，设每个 粒子的个体最优位置即为初始位置，并初始化初始速度为0，初始化εset. 步骤2：根据式(3.2)计算DomList中每个粒子的所有目标函数值，并根据式(3.4)来确定 每个粒子的适应度函数值，将适应值为负的粒子存放在外部集nonDomList中。重 新根据式(3.4)计算nonDomList中粒子的适应函数值，以消除劣解的影响[165]. 步骤3：对DomList中的每个粒子i进行迭代计算： 1.根据适应值大小在nonDomList中选取前20%的非劣粒子作为pg候选，通过轮盘赌法 在其中选择一个pg作为粒子i的全局最优值，若粒子i优于当前的pi用其替代当前的 pi, 否则 pi保持不变。 2.根据速度更新公式(1.1)更新速度，并将速度变化限制在区域[-Vdmax, Vdmax]内， 即在迭代中超出了边界则设定为边界值。同时根据位置更新公式(1.2)更新位置， 并将位置变化限制在区域[-Xdmax, Xdmax]内，计算出粒子i的后代存储在DomList 中。
多目标问题的定义
多目标优化问题的定义为：在可行域中确定由决策变量组成 的向量，使得一组相互冲突的目标函数值尽量同时达到极小 。设有 k个优化目标，且这 q个优化目标可能是相互冲突的 。其数学表达式为：
minz1 =f z2 =f2(x), L, zq =fq(x) 1(x), Minimize/ Maximize y f (x ) ( f1 ( x ), f 2 ( x ),..., f K ( x )) s.t.gi(x) 0, i=1, 2, L, m
课程结束，谢谢大家！
多目标优化，鲁棒优化