[论文解读] Weight-based Fish School Search algorithm for Many-Objective Optimization

Fernando Buarque de Lima Neto, Isabela Maria Carneiro Albuquerque+1 more|arXiv (Cornell University)|Aug 16, 2017

Metaheuristic Optimization Algorithms Research被引用 5

一句话总结

该论文提出了一种新颖的基于权重的鱼群搜索算法（wmoFSS），用于处理多目标优化问题，通过罚边界交点法（PBI）进行分解，结合聚类以使子群专注于子问题，并利用参考点维持多样性——在DTLZ测试问题上表现出色，于5-和10目标的DTLZ2实例中优于NSGA-III。

ABSTRACT

Optimization problems with more than one objective consist in a very attractive topic for researchers due to its applicability in real-world situations. Over the years, the research effort in the Computational Intelligence field resulted in algorithms able to achieve good results by solving problems with more than one conflicting objective. However, these techniques do not exhibit the same performance as the number of objectives increases and become greater than 3. This paper proposes an adaptation of the metaheuristic Fish School Search to solve optimization problems with many objectives. This adaptation is based on the division of the candidate solutions in clusters that are specialized in solving a single-objective problem generated by the decomposition of the original problem. For this, we used concepts and ideas often employed by state-of-the-art algorithms, namely: (i) reference points and lines in the objectives space; (ii) clustering process; and (iii) the decomposition technique Penalty-based Boundary Intersection. The proposed algorithm was compared with two state-of-the-art bio-inspired algorithms. Moreover, a version of the proposed technique tailored to solve multi-modal problems was also presented. The experiments executed have shown that the performance obtained by both versions is competitive with state-of-the-art results.

研究动机与目标

• 解决现有元启发式算法在多目标优化（MaOP）中面临的可扩展性限制，特别是在目标数超过三个时。
• 克服在高维目标空间中因支配抵抗问题导致的选种压力丧失和收敛性退化问题。
• 将基于分解的优化与参考点引导整合进鱼群搜索（FSS）框架，以提升搜索效率和解的多样性。
• 通过FSS中的权重机制，消除对外部档案的依赖，从而内在地追踪解的质量。
• 通过引入基于SBX交叉的局部搜索扩展，增强算法求解多峰MaOP的能力，从而在复杂Pareto前沿上实现更优的收敛性。

提出的方法

• 通过引入一种聚类机制，将基于权重的鱼群搜索（wFSS）元启发式算法改进以处理多目标问题，该机制将群体划分为多个子群。
• 利用罚边界交点法（PBI）对原MaOP进行分解，将每个子群分配至优化一个独立的子问题。
• 在目标空间中使用参考点，以引导解的分布并维持Pareto前沿上的多样性。
• 集成一种聚类算子，根据鱼在目标空间中的接近程度动态分组，以实现对每个子问题的专门化搜索。
• 通过SBX（模拟二进制交叉）引导的局部搜索增强个体移动算子，以当前解及其领导者作为父代，提升在多峰问题上的收敛性。
• 通过wFSS固有的权重机制维持解的质量和搜索方向，从而取代对外部档案的需求。

实验结果

研究问题

• RQ1 鱼群搜索算法是否能有效适应多目标优化问题，而无需依赖外部档案？
• RQ2 通过PBI实现的分解与参考点的集成，在高维目标空间中如何影响收敛性和多样性？
• RQ3 与整体搜索相比，将群体聚类为专注于子问题的子群在MaOP上的性能提升程度如何？
• RQ4 在D TLZ1和DTLZ3等多峰MaOP中，用SBX引导的局部搜索替代随机移动是否能增强收敛性？
• RQ5 在具有3、5和10个目标的标准DTLZ测试实例上，wmoFSS与NSGA-III和MOEA/D等先进算法相比性能如何？

主要发现

• 在单峰DTLZ问题上，wmoFSS的IGD值与最先进算法处于同一数量级，表明其具有竞争力的收敛性和多样性。
• 在5-和10目标的DTLZ2问题上，wmoFSS优于NSGA-III，IGD值更低，表明其在高维目标空间中表现更优。
• wmoFSS-SBX变体（采用SBX引导的局部搜索）成功在DTLZ1和DTLZ3的真实Pareto前沿上找到解，而原始wmoFSS则完全失败。
• 尽管收敛性有所改善，wmoFSS-SBX在D TLZ4上表现出多样性降低，原因在于参考点和子问题较少，导致解集稀疏。
• 在DTLZ1上，wmoFSS-SBX在Pareto前沿上实现了良好的分布，但未能覆盖极端区域，表明收敛性与多样性之间存在权衡。
• 将分解与参考点集成进FSS框架，实现了对MaOP的有效处理，同时利用权重机制消除了对外部档案的需求。