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。