近日，汕头大学范衠教授和南京航空航天大学蔡昕烨副教授共同指导的博士生李文姬的论文《Push and Pull Search for Solving Constrained Multi-objective Optimization Problems》被人工智能1区杂志《Swarm and Evolutionary Computation》接收。
该论文针对约束多目标优化问题的特点，首次提出从无约束Pareto前沿反向搜索到约束Pareto前沿的思想，从而有效克服了传统约束多目标进化算法无法跨越多个不可行区的难题。实验结果表明，所提出的PPS算法在IGD指标方面比其他当前最好的6种算法提升1-2个数量级。
图1 PPS方法和其他传统CMOEAs算法搜索行为示意图
具体而言，该论文提出了一种Push和Pull的搜索框架（PPS）用于求解约束多目标优化问题。PPS算法把整个搜索过程分为Push 和 Pull两个阶段。在Push阶段，采用多目标进化算法（MOEA）在不考虑约束的情况下探索整个搜索区域，从而有助于快速的跨越不可行区域，得到无约束的Pareto前沿。此外，约束违反程度的信息也能够被探测和估计。在Pull阶段，采用改进的epsilon约束处理机制并利用探测到的约束违反信息，把整个种群拉回到可行的非支配区域。
所提出的PPS框架在基于分解的多目标进化算法（MOEA/D）上进行了实现（PPS-MOEA/D）。在14个测试问题和机械手抓优化问题上与当前6个其他算法（MOEA/D-IEpsilon, MOEA/D-Epsilon, MOEA/D-CDP, MOEA/D-SR, C-MOEA/D, NSGA-II-CDP）进行了比较，实验结果表明所提出的PPS-MOEA/D在绝大多数测试问题上比其他6种算法的性能要显著优越，在IGD指标方面比其他算法提升1-2个数量级。部分实验结果如下：
图2 每个算法在LIR-CMOP7测试问题上取中位HV值时得到的非支配解
 图3 每个算法在LIR-CMOP11测试问题上取中位HV值时得到的非支配解
特此祝贺！
-----------------------------------------------------相关资源下载 -----------------------------------------------------
论文下载：
Push and Pull Search for Solving Constrained Multi-objective Optimization Problems.pdf
代码下载：
PPS-MOEA/D.zip
论文引用：
Z. Fan, W. Li, X. Cai, H. Li, C. Wei, Q. Zhang, K. Deb, E. Goodman, Push and pull search for solving constrained multi-objective optimization problems, Swarm and Evolutionary Computation BASE DATA (2018), doi: 10.1016/j.swevo.2018.08.017.
|
