带约束进化算法问题分析Constrained Evolutionary Algorithms

news2024/11/15 17:43:23

经典论文《Evolutionary Algorithms for Constrained Parameter Optimization Problems》对带约束的进化算法进行了综述，本文不涉及其内容的翻译，主要为个人对论文理解和思考。

1. 进化算法定义Evolutionary Algorithms

论文中所讨论的进化算法主要为以遗传算法genetic algorithms等传统进化算法，其解决的问题定义为一个寻优目标优化函数 $f(x)$ （最大值或最小值）的解x的问题：

$opt:\hat{x}=argmin_{x} \ f(x)$

其基本思路是根据种群进化的观点，为了达到最大化（或最小化）目标函数 $f(x)$ ，其大体的执行步骤为：

初始采样生成大量样本x；
根据目标函数f(x)排序，从中选择一定比例的样本x作为该轮胜出，对应于种群进化的自然选择；
上一轮胜出的样本，经过自身挠动（Mutation）和彼此交互（Crossover）得到一轮样本，对应于种群进化中基因变异和遗传繁衍；
重复2->3的过程，直到目标函数f(x)收敛。

遗传算法是一类典型的model-free的算法，其可以用黑盒的方式来解决很多目标函数优化的问题，带约束的优化问题，是指在优化的目标函数外，对样本x本身有约束条件，比如线性规划问题就是一类带约束的优化问题，其可以通过拉格朗日方法来解决。带约束的优化问题可以定义为，下式中 $h_j(x)\leq B$ 表示某一约束条件。

$opt:\hat{x}=argmin_{x} \ f(x) ,\exists \ h_j(x)\leq B,\text{ for j in }[1,2,...n]$

论文发表于近30年前，虽然当前的进化学习有了很大的发展，不仅仅只是遗传算法，其很多算法已经过时，但是其对于model-free带约束的优化问题的解决思路仍然很值得学习。

2. 带约束的进化学习解决思路

A）构造满足约束的样本法

这种方法的思路是指在构造样本时，强制使其满足约束条件，同时在进化中，设计合理的挠动算子使其下轮的样本也天然满足约束条件，此时就能将问题转换为不带约束的优化问题。这种方法大概有两种思路：

当约束条件均为线性的情况下（即可行解空间是凸的），通过初始化大量的满足约束的解，设计合理的进化挠动算子，使其下轮的样本也天然满足约束条件，在线性约束情况下，进化挠动算子满足如下条件得到的下轮样本必然也是满足约束的。

$x^{t+1}_k = a * x^{t}_i + (1-a)*x^{t}_j, \ 0\leq a \leq 1$

当约束条件不是线性的情况下，我们基于这样的假设：最优点往往位于约束边界上的位置。所以在初始化时，大量筛选恰好满足约束条件的样本，在进化挠动时，根据约束条件合理设计自身挠动（Mutation）算子和彼此交互（Crossover）算子，使下轮样本必然也是满足约束的。论文中给出了如下非线性约束例子：
- $\prod_i^K x_i=b \rightarrow (x_i)(x_j) = (x^\alpha _ix^(1-\alpha) _j),\ 0\leq \alpha \leq 1$
- $\sum^K_i x^2_i = 1\rightarrow x_n=\sqrt{\alpha x^2_i + (1-\alpha )x^2_j},\ 0\leq \alpha \leq 1$

B) 基于惩罚函数penalty functions的方法

这种方法的思路是原来的优化目标函数的基础上添加了惩罚项，类似于拉格朗日方法，惩罚项一般同约束项的偏离程度有关，其大体上分为如下思路：

静态惩罚权重：是指对不同约束项的偏离程度添加不同的权重值R，下式中f(x)表示原来的优化目标函数，j表示约束条件的标号，h(x)表示同约束项的偏离程度，i表示偏离等级（约束项在比较接近的情况下权重值R可以低一些，但当偏离特别夸张时可以放大）。这个静态惩罚权重最大的问题是当约束项太多时，权重参数也会很多。

$Eval(x) = f(x) + \sum_j R_{ij}|h_j(x)|^2$

动态惩罚项：在静态惩罚项的基础上添加随迭代时间增强的系数，论文中给出一种如下基础形式，基中r，α，β都是超参数，t是迭代轮数

$Eval(x) = f(x) + (r*t)^{\alpha }\sum_j |h_j(x)|^\beta$

退火惩罚项：也是一种动态惩罚项，基于了模拟退火的理论。
自适应惩罚项：其基于的思想是如果最优个体持续不满足约束项，则加大惩罚，如果最优个体持续满足约束项，则减少惩罚，论文中给出一种形式如下，其中λ是惩罚项的权重值，S满足约束项的样本，β都是超参数。

$\begin{cases} & \frac{1}{\beta_1}\lambda(t) \text{ if } \hat{x_j} \in S, \text{ for all } t-k+1\leq j\leq t\\ &\beta_2 \lambda(t)\text{ if } \hat{x_j} \in \bar{S}, \text{ for all } t-k+1\leq j\leq t \\ & \lambda(t) \text{ if } other \end{cases}$

双组惩罚项选优法：这种方法基于这样的思想：当惩罚项较小时，得到解虽然目标函数值高，但约束项很难满足，而惩罚项较大时，约束项能满足而目标函数往往不是最优。因此分别设计两个优化任务，一个惩罚项较小，另一个惩罚项较大，分别各自生成一组最优样本，然后结合生成子样本。这种方法认为惩罚项较小的解往往分布在不可用空间，惩罚项较小的解往往分布在可用空间，两者结合会逼近不可用空间和可用空间的边界，而最优解很多情况下都是在这个边界上。
绝对惩罚法：这种方法是对不可行约束项添加一个较大惩罚项，其使得所有可行解的优化函数都比所有不可行解的优化函数要大：

$Eval(x) > Eval(y), \text{ if } x\in S, y\in \bar{S}$

C) 基于对可行解搜索的方法

这种方法的思路是从可行空间的解出发去搜索最优解，其大体上分为如下几类：

行为记忆法behavioral memory method：这种方法针对于约束条件很多的情况下，先寻找到基本能满足一个约束条件的解空间，然后依次在该空间继续寻找满足剩下约束条件的解，直到到最后约束条件时，直接寻找满足所有约束条件的目标函数最优的解。这种方法通过不断压缩可行解空间的方式，当样本足够的情况下能拟合多约束条件解空间边界。
- 只考虑满足约束1下进行寻优，直到解空间中特定比例的样本都满足约束1；
- 在上轮样本空间上，只考虑满足约束2下进化寻优，直到解空间中特定比例的样本都满足约束2；
- 重复上述过程直到最后一个约束条件，只考虑优化目标函数，筛选满足所有约束的样本。
不可用样本修复法：这种方法将样本分成仅满足线性约束的空间和满足全部约束的空间，其中提供了虽不完全可行但更为贴近最优目标的样本，而提供完全满足约束的解。所以通过将和的样本进行cross加工，使其保留两部分的特性，其主要的执行要点如下：
- 初始满足线性约束的空间 $P_l$ 并评估其目标 $f(x)$ ，初始化方式可以采用上方A中提到的方法
- 初始化满足全部约束的空间 $P_r$ 并评估其目标 $f(x)$
- 从 $P_l$ 中筛选样本解，目标函数 $f(x)$ 更高的有更大机率被选中
- 评估 $P_l$ 中的样本 $s_l$ ，如果 $s_l$ 不可行，则根据 $P_r$ 中的可行样本 $s_r$ 做cross修复加工得到 $s'_l$
- 选择 $s_r$ 经过反复加工直到 $s'_l$ 是可行的，当 $f(s'_l)> f(s_r)$ 则将用 $s'_l$ 替换 $P_r$ 空间的 $s_r$ ，同时一定比例的用 $s'_l$ 替换 $P_l$ 空间的 $s_l$ ，以增加 $P_l$ 空间的变动性。
- $P_r$ 空间迭代是在 $P_l$ 空间每经过k轮迭代后进行的，因为 $P_r$ 主要是用于修复加工，而 $P_l$ 才是用于搜索。其迭代过程为生成（根据上轮 $P_r$ 生成当前样本）、评估（评估其目标函数值）、筛选（按目标函数排序筛选满足约束的解）

D) 其他方法

混合法：这种方法是将进化算法与其中确定性的数值计算结合起来，比如针对于存在大量局部最优点的非凸优化问题，可以先通过进化学习找到全局最优点的附近位置，然后再通过类似于梯度下降法的数值计算的方式更精确找到最优点。
多目标优化法：这种方法是将优化函数和约束项偏离值以一个向量表示，将其视为一个多目标优化问题。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/188557.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！