[论文解读] An Interactive Many Objective Evolutionary Algorithm with Cascade Clustering and Reference Point Incremental Learning.

Hongwei Ge, Mingde Zhao+5 more|arXiv (Cornell University)|Mar 3, 2018

Advanced Multi-Objective Optimization Algorithms参考文献 48被引用 1

一句话总结

该论文提出CLIA，一种交互式多目标进化算法，通过集成级联聚类与参考点增量学习，提升求解复杂多目标优化问题（MaOPs）时的收敛性与多样性。通过迭代优化参考点并利用参考线对个体进行聚类，CLIA在无需额外适应度评估的情况下，于多种真实Pareto前沿上均实现了优越的收敛性与鲁棒性。

ABSTRACT

Researches have shown difficulties in obtaining proximity while maintaining diversity for solving many-objective optimization problems (MaOPs). The complexities of the true Pareto Front (PF) also pose serious challenges for the pervasive algorithms for their insufficient ability to adapt to the characteristics of the true PF with no priori. This paper proposes a cascade Clustering and reference point incremental Learning based Interactive Algorithm (CLIA) for many-objective optimization. In the cascade clustering process, using reference lines provided by the learning process, individuals are clustered and intraclassly sorted in a bi-level cascade style for better proximity and diversity. In the reference point incremental learning process, using the feedbacks from the clustering process, the proper generation of reference points is gradually obtained by incremental learning and the reference lines are accordingly repositioned. The advantages of the proposed interactive algorithm CLIA lie not only in the proximity obtainment and diversity maintenance but also in the versatility for the diverse PFs which uses only the interactions between the two processes without incurring extra evaluations. The experimental studies on the CEC'2018 MaOP benchmark functions have shown that the proposed algorithm CLIA has satisfactory covering of the true PFs, and is competitive, stable and efficient compared with the state-of-the-art algorithms.

研究动机与目标

• 为解决在多目标优化问题（MaOPs）中同时保持接近真实Pareto前沿与多样性的问题。
• 克服现有算法在缺乏先验知识的情况下难以适应复杂且多样的真实Pareto前沿（PF）形状的局限性。
• 开发一种交互式框架，通过动态生成参考点与聚类过程，提升收敛性与多样性。
• 通过聚类与参考点过程之间的交互，实现自适应学习，从而减少对昂贵适应度评估的依赖。

提出的方法

• CLIA采用双层级联聚类机制，利用参考线对个体进行分组，并在簇内进行排序，以提升收敛性与多样性。
• 参考线根据聚类过程的反馈动态更新，以引导搜索向目标空间中的有希望区域推进。
• 参考点增量学习过程通过迭代优化逐步生成合适的参考点，避免依赖预设或静态参考点。
• 聚类与参考点学习之间的交互使算法能够自适应响应真实Pareto前沿的几何结构，而无需额外适应度评估。
• 该算法采用反馈回路，由聚类结果指导参考点的生成与重定位，从而提升搜索效率。
• 该方法通过结合双重过程实现对各种PF形状的通用性，且不引入额外计算开销。

实验结果

研究问题

• RQ1 如何设计一种交互式多目标进化算法，以在已知PF特性未知的情况下，有效平衡MaOPs中的收敛性与多样性？
• RQ2 级联聚类与参考点增量学习在不增加适应度评估的前提下，能在多大程度上协同提升收敛性与多样性？
• RQ3 所提出的算法是否能适应包括退化与非退化形式在内的多样化真实Pareto前沿形状，且无需对问题结构有先验知识？
• RQ4 与静态或非交互式参考点方法相比，聚类与参考点学习之间的动态交互在性能与稳定性方面表现如何？

主要发现

• CLIA在CEC'2018多目标优化基准函数上表现出具有竞争力且稳定的性能。
• 该算法展现出对真实Pareto前沿的强收敛性，对包括退化与非退化形式在内的多样化PF形状均实现了有效覆盖。
• CLIA通过双层级联聚类与动态参考线更新，在最终解集中保持了高水平的多样性。
• 聚类与参考点学习之间的交互使算法能够有效适应复杂PF几何结构，且无需额外适应度评估。
• 在CEC'2018 MaOP基准套件上，CLIA在收敛性与多样性指标上优于或匹配现有最先进算法。
• 所提方法展现出鲁棒性与高效性，证实其适用于真实世界MaOPs中未知或复杂Pareto前沿结构的问题。