论文学习-通过自动编码进化搜索解决动态多目标问题

论文题目：Solving Dynamic Multiobjective Problem via Autoencoding Evolutionary Search

通过自动编码进化搜索解决动态多目标问题（Liang Feng , Wei Zhou , Weichen Liu , Yew-Soon Ong , Fellow, IEEE, and Kay Chen Tan , Fellow, IEEE）

IEEE TRANSACTIONS ON CYBERNETICS, VOL. 52, NO. 5, MAY 2022

刚开始学习多目标优化算法，不作商业用途，如果有不正确的地方请指正！

个人总结：

自编码进化搜索可以看作是基于多样性方法和预测的相结合，

在遇到环境变化时，使用自编码器学习t-1时刻到t时刻的pos路径并对t到t+1时刻的路径做出预测。 并随机保存下t时刻的一半解来维持种群的多样性。

优势：独立于优化器，可以很容易的整合到现有的MOEAs中。

摘要

• DMOP在最近十几年引起了广泛的研究关注。在本文中，我们提出通过自编码进化搜索来解决DMOPs。
• 为了跟踪给定DMOP的动态变化，基于动态发生前获得的非支配解，推导了一个自动编码器来预测Pareto最优解的移动。该自编码器可以很容易地集成到现有的多目标进化算法中。
• 由于本文提出的预测方法具有闭式解，因此在迭代进化搜索过程中不会带来太大的计算负担，而且所提出的动态变化预测是从动态优化过程中发现的非支配解中自动学习的，这可以提供更准确的Pareto最优解预测。
• 在常用的DMOP基准测试集上获得的结果证实了所提方法的有效性。

引言

在过去的几十年中已经开发了许多多目标进化算法，在现实中，大多数多目标优化问题都是动态多目标优化问题，其中的问题性质，如目标函数、函数约束等都是随时间变化的。许多研究人员为了解决动态多目标优化问题提出了很多算法，它们大致可以分为：