Clustering-based Transfer Learning for Dynamic Multimodal MultiObjective Evolutionary Algorithm
作者: Li Yan, Bolun Liu, Chao Li, Jing Liang, Kunjie Yu, Caitong Yue, Xuzhao Chai, Boyang Qu
分类: cs.AI, cs.NE
发布日期: 2025-12-22
💡 一句话要点
提出基于聚类迁移学习的动态多模态多目标进化算法，解决动态环境下的多模态优化问题。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 动态多目标优化 多模态优化 进化算法 迁移学习 聚类 自编码器 动态环境 小生境策略
📋 核心要点
- 动态多模态多目标优化面临在动态环境中同时追踪多个最优解集和维持种群多样性的双重挑战。
- 论文提出一种基于聚类的自编码器预测动态响应机制，利用自编码器生成多样化的初始种群，并结合自适应小生境策略。
- 实验结果表明，该算法在决策空间中能有效保持种群多样性，并在目标空间中实现更好的收敛性。
📝 摘要（中文）
本文针对动态多模态多目标优化问题，该问题需要在时变环境中同时跟踪多个等价的帕累托最优集并保持种群多样性。现有动态多目标进化算法通常忽略解的模态，而静态多模态多目标进化算法缺乏对动态变化的适应性。为了解决上述挑战，本文做出了两个主要贡献。首先，我们构建了一个新的动态多模态多目标测试函数基准套件，该套件融合了动态和多模态优化的特性，以建立严格的评估平台。其次，我们提出了一种以基于聚类的自编码器预测动态响应机制为中心的新算法，该算法利用自编码器模型处理匹配的聚类，以生成高度多样化的初始种群。此外，为了平衡算法的收敛性和多样性，我们将自适应小生境策略集成到静态优化器中。在12个动态多模态多目标测试函数实例上的经验分析表明，与几种最先进的动态多目标进化算法和多模态多目标进化算法相比，我们的算法不仅在决策空间中更有效地保持了种群多样性，而且在目标空间中实现了卓越的收敛性。
🔬 方法详解
问题定义：动态多模态多目标优化问题（DMMOP）需要在动态变化的环境中，同时找到多个等价的Pareto最优解集，并维持种群的多样性。现有的动态多目标进化算法（DMOEAs）通常忽略解的模态信息，导致难以有效追踪多个最优解集。而静态多模态多目标进化算法（MMOEAs）又缺乏对环境动态变化的适应能力，无法快速响应环境变化。
核心思路：论文的核心思路是利用聚类和迁移学习的思想，构建一个能够预测环境变化后种群分布的自编码器模型。该模型通过学习历史环境中的种群分布信息，能够预测新环境下的种群分布，从而生成一个多样性良好的初始种群，加速算法的收敛和多样性维持。同时，结合自适应小生境策略，平衡算法的收敛性和多样性。
技术框架：该算法主要包含以下几个阶段： 1. 环境变化检测：检测环境是否发生变化。 2. 聚类：对当前种群进行聚类，将种群划分为多个子种群。 3. 自编码器预测：利用自编码器模型，根据历史环境中的聚类信息，预测新环境下的种群分布。 4. 种群初始化：根据自编码器的预测结果，生成一个多样性良好的初始种群。 5. 静态优化：使用集成了自适应小生境策略的静态优化器，对种群进行优化，平衡收敛性和多样性。 6. 种群更新：根据优化结果，更新种群。
关键创新：该论文的关键创新在于： 1. 提出了基于聚类的自编码器预测动态响应机制，能够有效地预测环境变化后的种群分布，生成多样性良好的初始种群。 2. 将自适应小生境策略集成到静态优化器中，平衡了算法的收敛性和多样性。 3. 构建了一个新的动态多模态多目标测试函数基准套件，为DMMOP算法的评估提供了一个更加严格的平台。
关键设计： 1. 自编码器结构：自编码器的具体网络结构（例如层数、神经元数量、激活函数等）需要根据具体问题进行调整。 2. 聚类算法：选择合适的聚类算法（例如K-means、DBSCAN等）对种群进行聚类。 3. 自适应小生境策略：小生境半径的自适应调整策略，需要根据种群的分布情况进行调整。 4. 损失函数：自编码器的损失函数需要能够有效地衡量预测种群分布与真实种群分布之间的差异。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的算法在12个动态多模态多目标测试函数实例上，与几种最先进的DMOEAs和MMOEAs相比，不仅在决策空间中更有效地保持了种群多样性，而且在目标空间中实现了卓越的收敛性。具体的性能提升数据（例如，超体积指标HV、反世代距离IGD等）需要在论文中查找。
🎯 应用场景
该研究成果可应用于需要动态优化和同时考虑多个目标的实际问题，例如：动态资源调度、机器人路径规划、电力系统优化、金融投资组合优化等。通过快速适应环境变化并找到多个最优解，可以提高决策效率和鲁棒性，具有重要的实际应用价值和潜在的未来影响。
📄 摘要（原文）
Dynamic multimodal multiobjective optimization presents the dual challenge of simultaneously tracking multiple equivalent pareto optimal sets and maintaining population diversity in time-varying environments. However, existing dynamic multiobjective evolutionary algorithms often neglect solution modality, whereas static multimodal multiobjective evolutionary algorithms lack adaptability to dynamic changes. To address above challenge, this paper makes two primary contributions. First, we introduce a new benchmark suite of dynamic multimodal multiobjective test functions constructed by fusing the properties of both dynamic and multimodal optimization to establish a rigorous evaluation platform. Second, we propose a novel algorithm centered on a Clustering-based Autoencoder prediction dynamic response mechanism, which utilizes an autoencoder model to process matched clusters to generate a highly diverse initial population. Furthermore, to balance the algorithm's convergence and diversity, we integrate an adaptive niching strategy into the static optimizer. Empirical analysis on 12 instances of dynamic multimodal multiobjective test functions reveals that, compared with several state-of-the-art dynamic multiobjective evolutionary algorithms and multimodal multiobjective evolutionary algorithms, our algorithm not only preserves population diversity more effectively in the decision space but also achieves superior convergence in the objective space.