用于动态约束多目标进化优化的在线时空预测

《Expert Systems with Applications》:Online spatial-temporal prediction for dynamic constrained multiobjective evolutionary optimization

【字体: 大 中 小 】 时间:2026年04月01日 来源:Expert Systems with Applications 7.5

编辑推荐:

  本文提出基于时空预测策略的动态约束多目标优化算法(STPS),通过将历史Pareto解映射为二维图像构建时空序列,结合CNN和GRU模型预测新环境下的初始种群,并设计增量学习机制优化预测精度。实验表明,STPS在多个基准测试和实际案例中显著优于现有算法。

  
陈国宇|郭一楠|杨晓|张顺尧|马天兵|杨生祥|梁远
安徽科技大学人工智能学院,合肥,231131,中国

摘要

在动态约束多目标优化问题(DCMOPs)中,动态因素的存在会导致帕累托最优解的不断变化。现有方法通过提取部分历史知识来初始化新环境下的种群,但忽略了帕累托最优解固有的时空特性,导致跟踪性能不足。为了解决这一问题,本文提出了一种基于时空预测策略的动态约束多目标进化算法,称为STPS。当环境发生变化时,知识构建策略将帕累托最优解转换为二维图像。所有历史图像构成一个时空序列,用于训练基于卷积神经网络(CNN)和门控循环单元(GRU)的预测模型,从而在新环境下初始化种群。此外,还设计了一种增量学习策略,定期对预测器进行微调,以保证其在适应时变环境时的预测准确性。在10个主流基准测试和实际案例上的大量实验表明,与几种先进的动态约束多目标进化算法相比,所提出的算法在解决DCMOPs方面表现出显著的性能。

引言

动态约束多目标优化问题(DCMOPs)(Nguyen & Yao, 2012)具有优化目标和约束的时变特性,在实际应用中广泛存在(Ding, Yang, Xiao, Chai, Jin, 2018, Kwong, Luo, Tang, 2011)。例如,在露天矿的卡车动态调度问题中(Noriega, Pourrahimian, & Askari-Nasab, 2025),任务是在动态调度环境下最小化卡车成本和排队时间。通常,在运输过程中可能会出现各种动态因素,例如设备故障会减少运输系统的可用资源,从而导致优化目标和约束的变化。显然,及时跟踪DCMOP的动态帕累托最优解具有重要的实际意义(Chen, Guo, Wang, Liang, Gong, Yang, 2024b, Farina, Deb, Amato, 2004),以便生成新的调度方案以满足实际运营需求。
在动态约束多目标进化算法(DCMOEAs)中,已经提出了多种策略来合理挖掘历史帕累托最优解,以便在新环境下进行跟踪(Wang, Huang, Yang, & Wang, 2023)。多样性策略(Chen, Ding, Yang, Chai, 2020, Deb, Udaya Bhaskara, Karthik, 2007)作为一种经典方法,主要通过引入随机或变异解来增强种群多样性。该方法计算效率高,但在可行性搜索空间变化较大时性能可能较差。因此,引入了知识转移策略(Wang, Xu, Jiang, & Chen Tan, 2025)和预测方法(Gong, Rong, Hu, Wang, Pedrycz, Yang, 2025a, Guo, Huang, Chen, Gong, Liang, Yu, 2023b)来解决DCMOPs。前者构建了将历史知识适应当前环境的转移模型,从而加速收敛。然而,在可行区域较小的问题中可能会出现负面转移。后者构建了各种预测模型来学习历史帕累托最优解的变化规律,生成接近新环境下帕累托最优解的初始种群。预测方法表明,捕捉帕累托最优解的时变特性是一种有效的问题解决方法(Chen, Guo, Li, Wang, Gong, Yuan, 2025, Gong, Xia, Zou, Hou, Liu, 2025b)。
回顾现有的预测方法,通常设计了两种机制。一种是提取历史帕累托最优解的中心点和流形(Zhou, Jin, & Zhang, 2014),然后在新的环境出现时分别预测新的最优解以形成初始种群。另一种是在不同子空间中构建历史帕累托最优解的多变量时间序列,以在新时间初始化种群(Cao, Xu, Goodman, Bao, Zhu, 2020, Chen, Guo, Jiang, Yang, Zhao, Gong, 2024a)。尽管这些方法简化了历史知识,提高了构建预测模型的便利性,但主要代表为时空变化的帕累托最优解的时变特性无法被充分挖掘和利用。特别是,目标和约束的复杂变化会导致帕累托最优解的剧烈变化。显然,知识简化可能会阻碍预测模型准确捕捉帕累托最优解的变化特征。因此,如何合理准确地挖掘动态帕累托最优解的时空特性是及时跟踪动态环境的核心(Wang et al., 2025)。
为了解决这个问题,我们提出了一种基于时空预测策略的动态约束多目标进化算法,称为STPS。该方法设计了一种时空知识构建策略,将帕累托最优解转换为能够保留空间信息的二维图像形式。这样,历史帕累托最优解就形成了一个时空序列。随后,设计了一个预测模型,通过该序列挖掘动态帕累托最优解的时空知识,以便在新环境下初始化高质量种群。本文的三个主要贡献如下:
  • 1.
    设计了一种知识构建策略。基于分解方法,将帕累托最优解转换为二维图像。这样,种群的空间结构受到子空间分布的限制。随后,历史环境的图像形成了一个时空序列,代表了不同子空间中的时间序列及其之间的相关性。
  • 2.
    设计了一种时空预测策略,用于在新环境下生成初始种群。构建的时空序列被用来训练基于卷积神经网络和门控循环单元的预测模型,并用于预测新时间的图像。然后,从图像中提取有价值的信息来构成初始种群。
  • 3.
    开发了一种增量学习策略。仅凭有限的历史知识训练的预测器无法稳健地跟踪不断出现的环境。因此,所提出的策略合理利用历史知识定期对预测器进行微调,以保证在时变环境下的预测准确性。
本文的其余部分安排如下。第2节介绍了动态约束多目标优化的基本定义和DCMOEAs的相关工作。第3节描述了所提出的基于时空预测策略的动态约束多目标进化算法。第4节比较和进一步分析了所提算法与几种先进的DCMOEAs。最后,第5节总结了主要贡献并概述了未来的工作。

部分片段

初步和相关研究

在本节中,我们首先介绍了DCMOPs的基本概念。然后详细讨论了DCMOEAs的相关工作。

所提出的STPS

尽快及时跟踪动态环境下的可行帕累托最优解是处理DCMOPs的核心任务。为此,为动态约束多目标进化算法设计了一种时空预测策略(STPS),其伪代码在算法1中呈现。首先,介绍了一种典型的环境检测方法来检测环境变化。对于随机选取的0.1N个个体,当它们的目标或

实验研究

在本节中,首先讨论了关键参数的敏感性分析。随后,将所提出的STPS与五种先进的DCMOEAs进行了比较。然后,研究了STPS中关键组件的有效性。最后,进行了一个实际案例的研究。所有算法都在配备AMD Ryzen 9 7900X 12核处理器、64 GB RAM和NVIDIA GeForce RTX 4070的PC上运行。

结论

本文设计了一种基于时空预测策略的动态约束多目标进化算法,称为STPS。当环境发生变化时,时空知识构建策略将历史帕累托最优解转换为二维图像。所有历史图像构成一个时空序列,用于训练基于CNN和GRU的预测模型,以便在新环境下生成初始种群。

作者署名

陈国宇和郭一楠:撰写——原始草稿、概念化、验证。杨晓和张顺尧:撰写——审阅与编辑。马天兵、杨生祥和梁远:撰写——审阅、项目管理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号