一、进化动态多目标优化算法框架
（一）步骤
进化动态多目标优化经过一段时间的发展， 已经形成了相对成熟的动态多目进化算法的框架。一般地， 动态多目标进化算法的步骤可以分为下面几步：
- 第一步：随机初始化整个种群， 设置算法运行需要的起始参数。
- 第二步： 环境检测： 如果检测到环境发生了变化 ， 响应策略就被唤醒来响应环境的变化； 如果没有发生环境变化， 就继续运行相应的静态算法。
- 第三步： 优化算法： 选取一种静态多目标进化优化算法对整个种群进行优化。
- 第四步： 响应环境变化的机制： 该机制被设计成来响应外部环境发生的变化，然后快速地跟踪最优解集的变化。
- 第五步： 结束： 如果算法的结束条件被满足的话，算法的整个运行过程被终止。
（二）流程图
一般地，DMOEA的流程如图所示：
动态多目标进化算法中主要由环境检测， 响应策略以及多目标进化优化算法组成， 现在就分别介绍。
二、环境检测算子
现在常用的环境检测算子主要是两种方法： 一种是随机检测算子，另外一 种方法是稳态检测算子。
（一）随机检测算子
即在算法运行的每一 代， 从种群中随机选取一些个体对它们重新评价计算目标值， 如果目 标值都发生了变化， 可以说是环境发生了变化；
（二）稳态检测算子
也就是在每一 代的运行中， 每次从种群中先随机挑选一个个体对它进行重新计算目标值， 如果目标值发生了变化， 就说明种群所处的环境发生了改变， 如果目标值没有发生变化， 再从种群中剩余的个体中随机选择一个个体对进行重新评价。
后者在一些问题上具有较快的时间复杂度， 因为它一 次只评价一个个体， 如果发生变化就不进行接下来的个体的评价。
三、响应策略
现如今动态多目标进化算法的研究重点主要是在响应策略上。
根据种群响应环境变化的方式可以分为以下几种：
（一）増强多样性
它的主要想法是通过增强种群的多样性让当前种群跳出己经收敛了的最优， 又可以分为引入多样性和保持多样性。
1.引入多样性
前者是仅当检测到环境发生变化之后增加一些多样性个体来响应环境的变化， 代表算法是超变异， 随机增强多样性以及动态迁移等策略。
2.保持多样性
保持多样性是在整个优化过程中都保持种群的一个整体上的多样性， 主要依赖于算法的内在机制来维持种群的多样性， 代表性的策略是多种群策略以及粒子群优化。
（二）记忆策略
这种方法的主要目的是利用种群在历史上的环境变化的信息来加速种群的收敛过程。
（三）预测策略
这种方法通常与记忆机制融合在一 起， 根据预期的最优信息来重新初始化种群。
四、相关的优化算法
动态多目标进化算法中常用的静态优化算法主要有分布式估计算法（RM-MEDA），动态快速非支配排序算法（DNSGA-II）和动态的协同进化算法（dCOEA）， 在这里只是简单得介绍一 下RM-MEDA。
（一）EDAs分布式估计算法
分布式估计算法（EDAs）是在进化计算领域中一 类全新的计算方法。 不同于进化算法的遗传操作过程， EDAs首先显式地从需要选择的解集中提取全局的统计信息， 然后在基于被选择的比较有优势的解来建立一 个后验的概率分布模型， 最后通过建立的概率模型来采样并得到最终需要的解。
（二）RM-MEDA
在EDAs的理论基础上，Zhang等人研究了连续性多目标优化问题的解集的分布特性并提出了有规律的基于模型的多目标分布式估计算法， 简称为RM-MEDA。
（三）优点
1.很强的搜索能力
RM-MEDA可以充分利用当代种群提供的全局信息来生成一 些新的个体， 并且不需要额地从种群中直接地提取种群的部分信息， 在启发式优化过程中具有很强的搜索能力。
2.很强的规律性
由于RM-MEDA利用连续性多目标优化问题具有很强规律性的特性， 所以对于解决动态多目标优化问题它是一 个很优秀的优化算法， 并且在被整合到动态多目标进化算法的框架中时所表现的性能优于DNSGA-II， 这已经在某文献中被实验证明。
标签：种群,进化,多样性,算法,动态,优化 From： https://blog.csdn.net/loveabc123ABC/article/details/140312845