一种评估目标之间冲突程度的方法及其系统的制作方法
【技术领域】
[0001] 本发明设及信息技术领域，尤其设及一种评估目标之间冲突程度的方法及其系 统。
【背景技术】
[0002] 在工程、工业及科学等领域，常常会遇到目标优化的问题，现代进化多目标优化算 法已成为处理此类问题最有效的方法。在多目标优化问题中，由于目标之间存在或强或弱 的冲突性而使得算法不能像解决单目标优化问题一样获得唯一一个最优解，而是得到一组 对于每个目标都折中的最优解集，通常运个最优解集称为化reto最优解集，它在目标空间 的像称为化reto最优前沿。在运个最优解集里，解之间互不支配，从而又称彼此为非支配 解;所谓支配解y是，一个解X化reto支配y，当且仅当X相对于每一个目标的适应值都不差 于y而且至少在一个目标上的适应值严格好于y。但是，在现实的多目标优化问题中，一般很 难得到真实的化reto最优解集，取而代之的是近似化reto最优解集。
[0003] 在求解多目标优化问题中，目前为止，多数运方面的研究只针对2到3个目标的多 目标优化问题(Multi-objective Optimization Problems,MOPs)，而对于多于3个目标的 优化问题，Farina等人于2002年提出高维目标优化问题(Many-Ob jective Optimization Problems,MOOPs)的概念用于区别前者。在目标优化问题中，目标之间的关系或冲突或非冲 突，或两种关系并存。大量理论与实验分析得出，当目标个数增多时，并且存在冲突性的目 标大量存在时，现代绝大多数基于化reto占优的进化多目标优化算法处理此类问题就会碰 到一系列的困难:随着目标个数增加，进化种群中非支配个体的比例快速增长，使得化reto 占优关系区分个体优劣能力下降，令算法的选择压力变小而无法收敛到化reto最优前沿附 近;而且，随着目标个数增多算法捜索空间也跟着增大，从而需要较大规模进化种群才可获 得覆盖整个化reto最优前沿的近似解集，运无疑增加算法的复杂度及决策困难；由于彼此 之间存在冲突的目标的增加造成化reto前沿维数增加，运就带来决策过程的可视化问题。 带来运些问题的主要原因是高维目标优化问题需要同时进行优化的目标大多数属于相互 冲突的。冲突即当一个目标被改善时另一目标的性能却下降，非冲突即当一个目标被改善 时另一目标也同时得到改善。可见，现有进化多目标优化算法处理高维目标优化问题所遇 到的困难的根本原因是在众多目标中存在相互冲突的目标占高比例，行业里常称此为"维 数灾难"问题。
[0004] 因此，亟需设计一种评估目标之间冲突程度的方法，W提高评估概率。
【发明内容】
[0005] 有鉴于此，本发明的目的在于提供一种评估目标之间冲突程度的方法及其系统， 旨在解决现有技术中进化高维多目标优化时识别概率低的问题。
[0006] 本发明提出一种评估目标之间冲突程度的方法，包括：
[0007] 定义两个目标之间的冲突概率信息；
[0008] 利用样本数据集统计出所述两个目标之间的冲突概率信息；
[0009] 将统计出的冲突概率信息作为所述两个目标之间的冲突度，W将目标之间的冲突 进行量化。
[0010] 优选的，所述定义两个目标之间的冲突概率信息的步骤包括：
[0011] 在给定的一个高维目标优化问题中，设P是从目标集合O与其自身的笛卡尔积（即 O X 〇)映射到[0，1]的映射，即P: O X O一[0，1]，那么称P为目标之间的冲突概率映射，因 此，
，p(fi，fj)称为目标fi与目标。之间的冲突概率信息。
[0012] 优选的，所述样本数据集包括采用进化算法生成的近似解。
[0013] 优选的，所述利用样本数据集统计出所述两个目标之间的冲突概率信息的步骤包 括：
[0014] 假设X为一个高维目标优化问题的可行解集合，给定一个种群POP= 1X1，…，xn}，Xi ex,那么若从种群POP中任选一对个体(xk，xi)，其中k辛1，按照排列组合的定义，则有(? 种取法，如果其中有义(〇含乂<巧）对个体满足W下条件：[fi(xk)yi(xi)]八 (Xi)]或者[fi(Xk) ^i(Xi)]八[fj(Xk) ^j(Xi)];那么，目标fi与目标fj在X上的冲突概率信 息可由W下公式计算：
[0015]
[0016] 另一方面，本发明还提供一种评估目标之间冲突程度的系统，包括：
[0017] 定义模块，用于定义两个目标之间的冲突概率信息；
[0018] 统计模块，用于利用样本数据集统计出所述两个目标之间的冲突概率信息；
[0019] 量化模块，用于将统计出的冲突概率信息作为所述两个目标之间的冲突度，W将 目标之间的冲突进行量化。
[0020] 优选的，所述定义模块具体用于在给定的一个高维目标优化问题中，设P是从目标 集合巫与其自身的笛卡尔积（即巫XO)映射到[0，1]的映射，即P: OXO一[0，1]，那么称P 为目标之间的冲突概率映射，因此，P (f i，f j)称为目标f i 与目标fj之间的冲突概率信息。
[0021 ]优选的，所述样本数据集包括采用进化算法生成的近似解。
[0022] 优选的，所述统计模块，具体用于假设X为一个高维目标优化问题的可行解集合， 给定一个种群POP = {xi,…，xn} ,XiEX,那么若从种群POP中任选一对个体(Xk,xi)，其中k辛 1，按照排列组合的定义，则有种取法，如果其中有^ CiO对个体满足W下条 件：[fi(Xk) >fi(Xl)]八[f J(Xk) >f J(Xl)]或者[fi(Xk) <fi(Xl)]八[f J(Xk) <f J(Xl)];那么， 目标f I与目标f J在X上的冲突概率信息可由W下公式计算：
[0023] .
[0024] 本发明提供的技术方案能在处理高维目标优化问题时，采用统计方法分析目标集 合在近似解集上的冲突信息，运种方式能够高概率地识别目标之间是否冲突W及冲突的程 度，随着样本点的增加，识别率可W达到100%，并且得出该方法不受化reto前沿形状影响， 即不受近似解集质量的影响。
【附图说明】
[0025] 图1为本发明一实施方式中评估目标之间冲突程度的方法流程图；
[0026] 图2为本发明一实施方式中评估目标之间冲突程度的系统结构示意图。
【具体实施方式】
[0027] 为了使本发明的目的、技术方案及优点更加清楚明白，W下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用W解释本发明，并 不用于限定本发明。
[0028] 本发明【具体实施方式】提供了一种评估目标之间冲突程度的方法，主要包括如下步 骤：
[0029] Sll、定义两个目标之间的冲突概率信息；
[0030] S12、利用样本数据集统计出所述两个目标之间的冲突概率信息；
[0031] S13、将统计出的冲突概率信息作为所述两个目标之间的冲突度，W将目标之间的 冲突进行量化。
[0032] 本发明在处理高维目标优化问题时，采用统计方法分析目标集合在近似解集上的 冲突信息，运种方式能够高概率地识别目标之间是否冲突W及冲突的程度，随着样本点的 增加，识别率可W达到100%，并且得出该方法不受化reto前沿形状影响，即不受近似解集 质量的影响。
[0033] W下将对本发明所提供的一种评估目标之间冲突程度的方法进行详细说明。
[0034] 请参阅图1，为本发明一实施方式中评估目标之间冲突程度的方法流程图。
[0035] 在步骤Sl 1中，定义两个目标之间的冲突概率信息。
[0036] 在本实施方式中，所述定义两个目标之间的冲突概率信息的步骤Sll包括:在给定 的一个高维目标优化问题(Many-Objective Optimization Problem,MOOP)中，设P是从目 标集合巫与其自身的笛卡尔积（即巫XO)映射到[0，1]的映射，即P: OXO一[0，1]，那么 称P为目标之间的冲突概率映射，因此，
3 (f 1，。)称为目 标fi与目标fj之间的冲突概率信息。
[0037] 在步骤S12中，利用样本数据集统计出所述两个目标之间的冲突概率信息。
[0038] 在本实施方式中，所述样本数据集包括采用进化算法生成的近似解，其中，该进化 算法包括第二代遗传算法(NSGA2)，除此之外还可W包括其他的进化算法，在此不做限定。
[0039] 在本实施方式中，所述利用样本数据集统计出所述两个目标之间的冲突概率信息 的步骤S12包括：
[0040] 假设X为一个高维目标优化问题的可行解集合，给定一个种群POP= 1x1，…，xn}，Xi ex,那么若从种群POP中任选一对个体(xk，xi)，其中k辛1，按照排列组合的定义，贝贿(4 种取法，如果其中有欠'(〇<A： <C;)对个体满足W下条件：[fi(X