[论文解读] Multimodal Multi-objective Optimization: Comparative Study of the State-of-the-Art

Wenhua Li, Tao Zhang+2 more|arXiv (Cornell University)|Jul 11, 2022

Advanced Multi-Objective Optimization Algorithms被引用 4

一句话总结

本文对12种最先进的多模态多目标进化算法（MMEAs）在标准测试集上进行了全面的对比研究，评估其在决策空间和目标空间中维持多样性方面的性能。研究发现，没有一种算法在所有问题类型中都占主导地位，但强调局部帕累托集识别的技术在求解多模态多目标问题（MMOPs）方面表现出更优的有效性。

ABSTRACT

Multimodal multi-objective problems (MMOPs) commonly arise in real-world problems where distant solutions in decision space correspond to very similar objective values. To obtain all solutions for MMOPs, many multimodal multi-objective evolutionary algorithms (MMEAs) have been proposed. For now, few studies have encompassed most of the recently proposed representative MMEAs and made a comparative comparison. In this study, we first review the related works during the last two decades. Then, we choose 12 state-of-the-art algorithms that utilize different diversity-maintaining techniques and compared their performance on existing test suites. Experimental results indicate the strengths and weaknesses of different techniques on different types of MMOPs, thus providing guidance on how to select/design MMEAs in specific scenarios.

研究动机与目标

• 评估12种采用不同多样性维持技术的最先进MMEAs在现有MMOP测试集上的性能。
• 识别不同多样性维持策略在处理各类MMOPs时的优势与劣势。
• 基于问题特征和期望的解分布，为选择或设计MMEAs提供实际指导。
• 指出当前MMOP研究中的关键空白，包括缺乏多模态检测、离散优化基准以及全面的性能度量标准。
• 倡导将多模态技术嵌入现有MOEAs中，以提升真实应用场景下的全局探索能力和鲁棒性。

提出的方法

• 本研究选取了12种具有不同多样性维持机制的代表性MMEAs，包括决策空间中的拥挤度量、小生境技术以及专门的环境选择策略。
• 在多个基准测试集（包括MMF、IDMP及其他广泛使用的MMOP问题）上采用标准化的实验设置。
• 通过评估收敛至真实帕累托前沿以及在决策空间和目标空间中分布多样性的指标来衡量性能。
• 分析不同算法方法的解集表现，重点关注其定位和保持多个帕累托集（包括局部和全局）的能力。
• 评估算法设计对收敛性、多样性和鲁棒性的影响，特别是在高维和复杂MMOPs中的表现。
• 分析现有度量标准和基准的局限性，强调需要建立全面、多空间的评估框架。

实验结果

研究问题

• RQ1 在广泛的MMOP测试问题中，哪种MMEA表现最佳？其在何种条件下表现出色？
• RQ2 不同的多样性维持技术（如小生境、决策空间中的拥挤度量）如何影响定位和保持多个帕累托集的能力？
• RQ3 当前的性能度量在多大程度上能够充分捕捉决策空间和目标空间中的收敛性与多样性？
• RQ4 为何现有MMEAs在高维MMOPs中表现不佳？当前基准测试集存在哪些关键局限性？
• RQ5 MMOP研究中的关键空白有哪些？例如缺乏多模态检测、离散优化基准以及全面的评估度量标准？

主要发现

• 没有一种MMEA在所有测试集中均优于其他算法，表明算法选择高度依赖于具体问题。
• 明确针对局部帕累托集识别的算法在大多数MMOPs中表现更优，尤其在具有多个不连通帕累托集的问题中。
• 传统以收敛性优先的MOEAs难以在决策空间中维持足够多样性，导致早熟收敛并丢失多个最优解。
• 现有性能度量常忽略决策空间多样性，且目前尚无综合度量能以可调权重平衡目标空间与决策空间的质量。
• IDMP测试集构成重大挑战，因先前的MMEAs未能定位所有帕累托集，凸显了对更鲁棒、可扩展算法的需求。
• 严重缺乏离散优化基准和多模态检测工具，阻碍了MMEAs在真实问题中的实际应用。