多目标优化:使用NSGA选择与使用VEGA选择

Question

我想知道在多目标优化的选择环境下，矢量生成遗传算法(VEGA)和非支配排序遗传算法(NSGA)之间存在什么区别？

(我知道NSGA是基于pareto的，而VEGA不是基于pareto的。)

Answer 1

差异是相当大的。正如您所说，一个是基于Pareto的，另一个不是。在MOO中，这是一件很大的事情。VEGA的工作原理是将种群划分为不相交的集合，并迫使不同的集合朝着不同的单一目标进化。有一些机制可以帮助将它们组合到一个有意义的Pareto集合表示中，但它基本上只是针对不同目标的解决方案的联合。选择是通过选择相对于其各自设置的目标函数更好的解决方案来完成的。

NSGA和其他基于Pareto的方法是完全不同的。他们的选择不是基于任何特定的目标选择，而是基于解决方案相互比较的属性。每种这样的算法在如何执行这些比较时都会做出略有不同的选择，而NSGA-II (您绝对应该使用算法的第二个版本)通过非支配排序进行比较。基本上，您找到所有非支配解决方案，并将它们称为set #1。然后，如果您删除set #1的元素，则会找到所有非支配解决方案--它们成为set #2。您继续下去，直到所有的解决方案都被考虑在内，结果就像剥洋葱皮一样。然后，选择过程是始终选择较低类的成员(set #1，然后是#2，依此类推)。如果你不能获得某个特定级别的所有元素，你可以通过在该级别中选择与其他级别相距较远的解决方案来打破束缚，其想法是，如果你不能获得所有的解决方案，你至少应该尝试不从一个很小的集群中选择你确实采用的解决方案。

通常，您应该考虑基于Pareto的方法。他们已经被证明是至少10-15年的选择。特别是，您应该专注于基于Pareto的精英方法，如NSGA-II、SPEA2、epsilon-MOEA和一些更新的竞争者。