文章目录
- 1 引入
- 2 约束满足
- 3 Pareto前沿未知
-
- 3.1 Hypervolume (HV)
- 3.2 运行指标
- 4 Pareto前沿已知或者近似
-
- 4.1 IGD/GD/IGD+/GD+
- 参考文献
1 引入
??收敛性分析可以帮助我们在再次解决同一个问题时，更好地决定终止标准。收敛性分析应当考虑两种情况：
??1）Pareto前沿未知；
??2）Pareto前沿通过解析推导而来，或者存在合理的近似值。
??一个双目标优化示意如https://inkiyinji.blog.csdn.net//article/details/125914306，其Pareto前沿和解如下：
??示意中开启了一个历史记录选项save_history，这正是收敛性分析所需要的。当开启save_history后，其将记录每次迭代的算法对象并存储于Result对象中。该方法更占内存 (特别是对于多次迭代)，但具有可以事后分析任何算法相关变量的优点。
??为了进行分析，算法的一些中间步骤需要被考虑。它们已经被以下实现：
??1）Callback类存储了算法每次迭代的必要信息；
??2）当使用最小化方法时开启save_history以记录。
??此外使用Hypervolume和IGD来衡量算法的性能：
??从history可以导出我们所需要的信息：
2 约束满足
??首先，可以按如下查询每一代可行解的数量：
??输出如下：
??因为这个问题的复杂性低，所以很快就找到了可行的解决方案。然而，对应于自己的优化问题可能完全不同，因此需要先行分析：
??代码如下：
3 Pareto前沿未知
??如果Pareto前沿未知，则无法知道算法是否已经收敛到真正的最优值。当然也不是没有任何进一步的信息。因为依然可以看到算法在优化过程中何时取得了大部分进展，并确定迭代次数是否增减。此外，以下指标用于将两种算法相互比较：1）Hypervolume和2）IGD。
3.1 Hypervolume (HV)
??Hypervolume是多目标优化中的一个很重要的指标，是Pareto兼容的，需要基于预定义参考点和提供的解决方案之间的volume。因此，首先定义参考点ref_point，其应当大于Pareto前沿的最大值：
approx_ideal = F.min(axis=0)approx_nadir = F.max(axis=0)from pymoo.indicators.hv import Hypervolumemetric = Hypervolume(ref_point= np来源：因吉
声明：本站部分文章及图片转载于互联网，内容版权归原作者所有，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！