动态多目标优化：基于CNN-BiLSTM定向改进预测的动态多目标进化算法（CNN-LSTM-DIP-DMOEA）求解CEC2018（DF1-DF14），提供MATLAB代码

原创于 2025-09-07 11:29:54 发布 · 871 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#cnn #算法 #lstm

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

一、算法改进背景与意义

1.1 动态多目标优化问题（DMOPs）的核心挑战

动态多目标优化问题（Dynamic Multiobjective Optimization Problems, DMOPs）广泛存在于工程设计、资源调度、智能控制等领域，其核心特征是目标函数、约束条件或决策空间随时间（环境代际）动态变化。例如，工业生产线调度中，设备故障率、原材料供应速度的实时波动会导致优化目标（如生产效率、成本控制）的权重动态调整；新能源电网规划中，负荷需求、风光发电功率的昼夜变化需动态优化能源分配策略。

求解 DMOPs 的关键需求集中在两点：一是环境变化检测，需快速识别优化空间的动态波动；二是种群快速自适应，在环境变化后迅速生成兼具收敛性（靠近真实 Pareto 前沿）与多样性（覆盖 Pareto 前沿各区域）的新种群。传统动态多目标进化算法（如 DMOEA/D、MOEA/D-D）多采用 “随机重启” 或 “局部搜索扰动” 策略应对环境变化，存在种群收敛速度慢、多样性易丢失的缺陷；而 DIP-DMOEA 虽引入 BP 神经网络学习环境变化模式，但受限于 BP 网络对非线性、长时序依赖关系的拟合能力不足，在复杂动态场景（如多峰波动、突变型环境变化）中预测精度骤降，难以有效引导种群进化。

1.2 CNN-BiLSTM-DIP-DMOEA 的改进逻辑

针对 DIP-DMOEA 的核心局限，CNN-BiLSTM-DIP-DMOEA 将原算法中的 BP 神经网络替换为CNN-BiLSTM 混合神经网络，其改进逻辑基于两点核心需求：

捕捉环境变化的空间关联性：动态环境中，不同决策变量维度的变化并非独立，而是存在隐性空间关联（如电网调度中，“风电功率” 与 “负荷需求” 的变化存在区域空间相关性）。BP 网络仅能处理线性或简单非线性映射，无法提取这种空间关联特征；而卷积神经网络（CNN）的卷积核可通过局部感受野与参数共享，自动提取决策变量维度间的空间关联模式，为后续预测提供更丰富的特征支撑。

建模环境变化的长时序依赖：多数 DMOPs 的环境变化具有时序连续性（如季节性生产调度中，各季度的优化目标变化存在历史依赖）。BP 网络为静态网络，无法处理时序数据的前后依赖关系；双向长短期记忆网络（BiLSTM）通过前向 LSTM 与后向 LSTM 的结合，可同时学习环境变化的历史趋势与未来潜在趋势，有效缓解长时序数据中的梯度消失问题，提升对动态模式的长期预测能力。

通过 “CNN 空间特征提取 + BiLSTM 时序依赖建模” 的混合架构，CNN-BiLSTM-DIP-DMOEA 可更精准地学习 DMOPs 的复杂动态模式，为定向改进预测（DIP）提供可靠的决策依据，最终实现算法在收敛速度、多样性保持、鲁棒性上的全面提升。

二、算法核心模块设计

2.1 整体框架与工作流程

CNN-BiLSTM-DIP-DMOEA 沿用 DIP-DMOEA 的 “环境检测 - 模式学习 - 定向预测 - 种群生成” 四阶段框架，但对 “模式学习” 与 “定向预测” 模块进行深度优化，整体工作流程如下（以第 t 代环境变化为例）：

环境变化检测：采用 “Pareto 前沿偏移度” 指标（计算当前种群 Pareto 前沿与前一代前沿的欧氏距离），若距离超过预设阈值（如 0.1），判定环境发生变化，触发后续学习与预测流程；

历史数据采集与预处理：收集环境变化前 k 代（如 k=10）的历史种群数据（包括决策变量 X、目标函数值 F），构建时序数据集 {(X₁,F₁), (X₂,F₂),..., (Xₖ,Fₖ)}，并对数据进行标准化（决策变量归一化至 [0,1]，目标函数值标准化至 [-1,1]），消除量纲影响；

CNN-BiLSTM 模型训练：将预处理后的时序数据输入 CNN-BiLSTM 网络，学习 “决策变量 - 目标函数” 的动态映射关系，输出环境变化后的预测目标函数分布；

定向改进预测（DIP）：基于 CNN-BiLSTM 的预测结果，在决策空间中计算 “改进方向向量”（即从当前决策变量指向预测最优解的梯度方向），生成初始候选种群；

种群优化与进化：对候选种群进行遗传操作（选择、交叉、变异），结合拥挤度排序维护种群多样性，最终得到第 t 代环境的最优种群。

动态多目标优化测试集CEC2018介绍

CEC2018 是由 IEEE 计算智能学会（IEEE CIS）主办的进化计算大会（CEC）在 2018 年发布的动态多目标优化测试集，主要用于评估动态多目标优化算法的性能。

⛳️ 运行结果

📣 部分代码

🔗 参考文献

[1]Ye, Yulong, et al. "Learning-Based Directional Improvement Prediction for Dynamic Multiobjective Optimization." IEEE Transactions on Evolutionary Computation, Early Access, 24 April 2024, pp. 1 - 1. DOI:10.1109/TEVC.2024.3393151.