正在加载图片...
·682 智能系统学报 第12卷 表23个算法在4个测试函数上的IGD性能统计 1.2 *P-GA —Pareto Table 2 Comparison of IGD performance of three algorithms 1.01 ×SPEA2 on four test functions PESA2 0.8 测试函数 P-GA PESA2 SPEA2 0.6 Mean 2.42×10-4 2.31×104 7.31×10-3 0.4 KUR Std. 1.58×10-6 1.50×10-6 1.01×103 0.2 Mean 1.45×10- 5.03×103 8.91×103 0 ZDT1 02 0.4 0.6 0.8 0 Std. 5.92×10- 7.10x10 1.12×10 f(x) Mean 3.20×10-4 4.34×10-3 8.72×10- 图5基于ZDT2测试函数分布 ZDT2 Std. 2.88×10-6 6.84×104 1.01×10-3 Fig.5 ZDT2 test function distribution Mean 2.58×10 2.55×105 3.02×10- ZDT3 Sud. 2 1.83×10-8 1.82×10-8 2.12×10-8 ·P-GA —Pareto 从表2中可以看出,在KU测试函数上, 0.8 ×SPEA2 0.6 PESA2算法取得了最好的效果,但P-GA算法获得 0.4 统计结果与其相差无几,SPEA2算法表现最差: 02 P-GA在ZDT1和ZDT2测试函数上获得的统计数据 -0.2 明显好于其他两个算法:3种算法在ZDT3测试函数 -0.4 -0.6 上IGD均值和标准差结果相近。最后需要强调的 -0. 是,仿真实验表明在算法流程迭代次数超过2000 00.10.20.30.40.50.60.70.80.9 fx) 次以后,3种算法在测试函数上取得的IGD指标基 本一致,在此就不去列举了。 图6基于ZDT3测试函数分布 Fig.6 ZDT3 test function distribution 4结束语 从图3可以看出,PESA2算法与P-GA算法都 本文提出了一种基于膜系统下的一种多目标 取得了较好的结果,但P-GA算法较其他两种算法 优化算法—PGA算法,该算法将膜计算相关理 分散程度较低,而SPEA2效果显得比较差:通过图4 论引入,并采用了遗传算法中的交叉与变异机制来 和图5可以很直观地看出P-GA算法能够较好地逼 增加算法适应能力。仿真实验表明,该算法有精度 近真实的Pareto前沿,逼近程度相较于另外两种算 高、收敛速度快、分布较为均匀等优点。此外,膜优 法更高,说明G-PA算法能够较快地收敛,且分布程 化算法的本质具有分布式和并行计算的执行逻辑, 但目前的研究仍局限于串行的工作方式,这也是不 度也与另外两种算法相当,整体上取得的非支配解 足之处。因此,如何实现算法的并行优化计算,也 好于PESA2算法和SPEA2算法;在图6中可以看 是下一步研究的重点内容和方向。 出,整体3种算法都取得了较好的效果,都能够逼近 真实的Pareto前沿,且分布离散程度也比较接近。 参考文献: 本文采用反转时代距离(inverted generational [1]FONSECA C M,FLEMING P J.Genetic algorithms for distant,IGD)作为评价指标u8-i。IGD是度量算 multi-objective optimization:formulation,discussion and 法得到的Pareto前沿到真实的Pareto前沿的距 generalization[C]//The 5th International Conference on Genetic Algorithms.San Mateo,CA,USA,1993: 离指标,该指标值的大小与算法Pareto前沿收敛 416-423. 性及多样性呈负相关[20)。通过仿真,得到这3 [2]SRINIVAS N,DEB K.Multi-objective optimization using non- 个多目标优化算法在4个测试函数上的数据,其 dominated sorting in genetic algorithms[].Evolutionary 中Mean表示均值,Std.表示标准差,每个算法均 computation,1994,2(3):221-248. [3]HORN J,NAFPLIOTIS N.GOLDBERG D E.A niched 在所有测试函数上独立测试100并进行了统计, pareto genetic algorithm for multi-objective optimization 表2列出了详细的统计数据。 [C ]//Proceedings of the first IEEE Conference on图 5 基于 ZDT2 测试函数分布 Fig.5 ZDT2 test function distribution 图 6 基于 ZDT3 测试函数分布 Fig.6 ZDT3 test function distribution 从图 3 可以看出,PESA2 算法与 P⁃GA 算法都 取得了较好的结果,但 P⁃GA 算法较其他两种算法 分散程度较低,而 SPEA2 效果显得比较差;通过图 4 和图 5 可以很直观地看出 P⁃GA 算法能够较好地逼 近真实的 Pareto 前沿,逼近程度相较于另外两种算 法更高,说明 G⁃PA 算法能够较快地收敛,且分布程 度也与另外两种算法相当,整体上取得的非支配解 好于 PESA2 算法和 SPEA2 算法;在图 6 中可以看 出,整体 3 种算法都取得了较好的效果,都能够逼近 真实的 Pareto 前沿,且分布离散程度也比较接近。 本文采用反转时代距离( inverted generational distant,IGD)作为评价指标[ 18-19] 。 IGD 是度量算 法得到的 Pareto 前沿到真实的 Pareto 前沿的距 离指标,该指标值的大小与算法 Pareto 前沿收敛 性及多样性呈负相关[ 20] 。 通过 仿 真,得 到 这 3 个多目标优化算法在 4 个测试函数上的数据,其 中 Mean 表示均值,Std.表示标准差,每个算法均 在所有测试函数上独立测试 100 并进行了统计, 表 2 列出了详细的统计数据。 表 2 3 个算法在 4 个测试函数上的 IGD 性能统计 Table 2 Comparison of IGD performance of three algorithms on four test functions 测试函数 P⁃GA PESA2 SPEA2 KUR Mean 2.42×10 -4 2.31×10 -4 7.31×10 -3 Std. 1.58×10 -6 1.50×10 -6 1.01×10 -3 ZDT1 Mean 1.45×10 -4 5.03×10 -3 8.91×10 -3 Std. 5.92×10 -7 7.10×10 -4 1.12×10 -3 ZDT2 Mean 3.20×10 -4 4.34×10 -3 8.72×10 -3 Std. 2.88×10 -6 6.84×10 -4 1.01×10 -3 ZDT3 Mean 2.58×10 -5 2.55×10 -5 3.02×10 -5 Std. 1.83×10 -8 1.82×10 -8 2.12×10 -8 从 表 2 中 可 以 看 出, 在 KUR 测 试 函 数 上, PESA2 算法取得了最好的效果,但 P⁃GA 算法获得 统计结果与其相差无几, SPEA2 算法表现最差; P⁃GA在 ZDT1 和 ZDT2 测试函数上获得的统计数据 明显好于其他两个算法;3 种算法在 ZDT3 测试函数 上 IGD 均值和标准差结果相近。 最后需要强调的 是,仿真实验表明在算法流程迭代次数超过 2 000 次以后,3 种算法在测试函数上取得的 IGD 指标基 本一致,在此就不去列举了。 4 结束语 本文提出了一种基于膜系统下的一种多目标 优化算法———P⁃GA 算法,该算法将膜计算相关理 论引入,并采用了遗传算法中的交叉与变异机制来 增加算法适应能力。 仿真实验表明,该算法有精度 高、收敛速度快、分布较为均匀等优点。 此外,膜优 化算法的本质具有分布式和并行计算的执行逻辑, 但目前的研究仍局限于串行的工作方式,这也是不 足之处。 因此,如何实现算法的并行优化计算,也 是下一步研究的重点内容和方向。 参考文献: [1] FONSECA C M, FLEMING P J. Genetic algorithms for multi⁃objective optimization: formulation, discussion and generalization [ C] / / The 5th International Conference on Genetic Algorithms. San Mateo, CA, USA, 1993: 416-423. [2]SRINIVAS N, DEB K. Multi⁃objective optimization using non⁃ dominated sorting in genetic algorithms [ J ]. Evolutionary computation, 1994, 2(3): 221-248. [3] HORN J, NAFPLIOTIS N, GOLDBERG D E. A niched pareto genetic algorithm for multi⁃objective optimization [ C ] / / Proceedings of the first IEEE Conference on ·682· 智 能 系 统 学 报 第 12 卷
<<向上翻页向下翻页>>
©2008-现在 cucdc.com 高等教育资讯网 版权所有