FlexDMO

Appearance

顶刊算法复现 ​

FlexDMO 的论文复现以“公式、默认参数和关键流程均可追溯”为准。对于依赖 论文未公开细节或大型外部训练流程的方法，不会仅根据摘要制作同名简化版。

PPS：整体种群预测 ​

论文

A. Zhou, Y. Jin, and Q. Zhang, “A Population Prediction Strategy for Evolutionary Dynamic Multiobjective Optimization,” IEEE Transactions on Cybernetics, vol. 44, no. 1, pp. 40–53, 2014.

论文 DOI

已复现内容 ​

  • 把种群分解为中心点和零中心流形；
  • 对每个决策维度分别拟合 AR(p) 模型；
  • 使用最小二乘估计 AR 系数；
  • 使用拟合残差均方估计中心预测方差；
  • 使用两个历史流形的平均最近邻距离估计流形方差；
  • 合并中心预测、当前流形和高斯扰动生成完整种群；
  • 历史不足时采用“一半随机生成、一半复用上一环境”的流程；
  • 使用论文规定的“父代—边界中点”方法修复越界预测；
  • 默认 p = 3、历史长度 M = 23。

FlexDMO 适配 ​

原论文将 PPS 与 RM-MEDA 组合。FlexDMO 保留这一组合方式，并允许将响应策略 与其他搜索算法组合，用于统一消融实验。约束问题中的后续环境选择使用 FlexDMO 的约束支配规则，因此 PPS 也可运行于 CDP1–CDP6。

最接近论文的配置

选择 PPS 作为 Dynamic Strategy，选择 RMMEDA 作为 Search Algorithm， 保持 ar_order = 3 和 history_length = 23。

验证范围 ​

自动测试分别验证：

  • 已知时间序列上的 AR 系数和下一中心预测；
  • 论文定义的流形距离；
  • 中点越界修复；
  • 历史不足阶段与 AR 预测阶段切换；
  • 决策边界、目标值、约束值和种群规模；
  • 与 NSGA-II、SPEA2、MOEA/D、RMMEDA 的组合运行；
  • 实时结果记录和回放数据兼容。

FGTTMP：反馈引导迁移与趋势流形预测 ​

论文

Y. Wang, K. Li, G. Wang, D. Gong, and K. Li, “Solving Dynamic Multiobjective Optimization Problems via Feedback-Guided Transfer and Trend Manifold Prediction,” IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol. 54, no. 12, pp. 7218–7231, 2024.

作者公开论文

已复现内容 ​

  • 前两个环境使用随机初始化，第三个环境起启用历史学习；
  • 按论文公式 (5)–(7) 使用全部历史环境进行信息反馈生成；
  • 按公式 (8) 在边界与边界中点之间随机修复越界变量；
  • 使用层次聚类把反馈解划分为 K 个簇，并通过非支配簇中心选择目标域；
  • 使用带样本权重的 SVM 弱分类器和迁移权重更新筛选随机候选解；
  • 按公式 (17)–(21) 分解中心与流形，并根据平均最近邻流形距离生成扰动；
  • 按公式 (22)–(25) 在超球坐标中估计中心移动方向；
  • 合并 FGT 与 TMP 两个子种群，再使用约束支配与拥挤距离恢复目标种群规模；
  • 默认 K = 12，并限制历史长度，避免长时间运行后内存持续增长。

FlexDMO 适配 ​

原论文把 FGTTMP 与 RM-MEDA 组合。FlexDMO 中最接近论文的配置是 FGTTMP + RMMEDA，同时也允许与 NSGA-II、SPEA2 和 MOEA/D 组合。

论文公式中的标量 fitness 由所嵌入的静态优化器决定，并未给出统一计算式。 为了使同一响应策略可与所有搜索算法组合，FlexDMO 使用“非支配层惩罚 + 归一化目标距离 + 约束违反量”的无量纲标量适应度。除此之外，FGT、TMP、 迁移权重和默认簇数均遵循论文流程。该适配会在界面和代码注释中明确标注。

稳定性验证 ​

  • 公式权重归一化、非支配识别、流形距离和随机边界修复；
  • 小种群、退化类别、全不可行种群和约束问题回退；
  • 第三个环境进入 FGT + TMP 的完整执行路径；
  • 与 NSGA-II、MOEA/D、RMMEDA 连续运行 4 个环境；
  • 100 个个体、10 个决策变量的默认规模响应测试；
  • 实时历史记录、结果保存和回放所需的种群结构兼容。

推荐配置

复现实验优先选择 FGTTMP + RMMEDA。快速交互演示可选择 FGTTMP + NSGA-II。

PSCA：子空间与相关对齐 ​

论文

G. Li, Y. Liu, and X. Deng, “A Prediction Method for Dynamic Multiobjective Optimization Based on Joint Subspace and Correlation Alignment,” Complex & Intelligent Systems, vol. 10, pp. 4421–4444, 2024.

开放获取论文

已复现内容 ​

  • 使用局部 PCA 和最近中心距离配对子流形；
  • 按公式 (11)–(14)预测局部中心平移和正交旋转；
  • 从第一批准初始种群中以非支配关系和拥挤距离选择一半精英；
  • 使用稳定的对称矩阵特征分解计算公式 (17) 的 Q_source^-0.5 Q_target^0.5；
  • 按公式 (18)–(19)生成反映形变的第二批准初始种群；
  • 合并两批候选并执行约束支配选择；
  • 复现论文默认 K = 3。

数值与约束适配 ​

论文实验对象为无约束 DF 系列。FlexDMO 在不改变预测公式的情况下，将最后的 非支配选择替换为约束支配选择，使其可以直接运行 CDP1–CDP6。协方差矩阵增加 默认 1e-6 的特征值下限，用于处理重复解、小种群和退化流形。

LR-DMOEA：相关关键点回归 ​

论文

J. Ma, Y. Sang, Y. Xu, and B. Wang, “A Linear Regression Prediction-Based Dynamic Multi-Objective Evolutionary Algorithm with Correlations of Pareto Front Points,” Algorithms, vol. 18, no. 6, article 372, 2025.

开放获取论文

已复现内容 ​

  • 使用 0%、10%…100% 的十一个分位点和一个中心点表示 PS；
  • 将所有关键点共同作为回归输入和输出，学习变量与点之间的相关关系；
  • 使用 L2 正则的最小二乘闭式解代替收敛结果等价但更慢的梯度迭代；
  • 在预测关键点周围加入按决策范围缩放的高斯噪声；
  • 生成 D-NSGA-II-B 多项式变异子种群并确保每个变异个体发生改变；
  • 按论文流程随机选择位置，用预测解和变异解替换当前种群；
  • 全部预测和变异结果执行边界修复，并在新环境中重新评价约束。

启动阶段 ​

历史环境少于三个时无法稳定估计高维回归矩阵。实现先使用当前关键点和匀速 前向预测启动；获得至少两个历史转移样本后自动切换到完整岭回归。该处理避免 短实验出现奇异矩阵，同时不引入未来环境信息。

后续候选 ​

后续优先评估以下方法是否具备足够公开细节和复现价值：

  • SGEA：IEEE Transactions on Evolutionary Computation，2017；
  • HEL：IEEE Transactions on Evolutionary Computation，2024（作者实现尚未公开）；
  • DM-DMOEA：动态稀疏大规模多目标双模型方法（训练成本较高）；
  • Kalman Filter Prediction：IEEE Transactions on Cybernetics，2016。

这些方法将在确认原始流程、算子和参数后分批加入。