【调度算法】NSGA II

简介: 【调度算法】NSGA II

简介

NSGA-II(Nondominated Sorting Genetic Algorithm II)是一种经典的多目标优化算法,由Srinivas和Deb于2000年在NSGA的基础上提出,用于解决多目标优化问题。相较于NSGA,NSGA-II在运行速度和解集的收敛性上表现更好,成为了其他多目标优化算法性能的基准。

以下是 NSGA-II 的基本步骤:

  1. 初始化种群:首先,随机生成一个包含多个个体的初始种群。每个个体都代表一个潜在的解。
  2. 计算适应度:对于每个个体,计算其在目标函数空间中的适应度。适应度的计算可以根据具体问题而定,一般使用评价指标(如距离、优劣等)来表示个体的优劣程度。
  3. 非支配排序:NSGA-II 使用非支配排序技术,将种群中的个体划分为多个前沿。这个排序过程确定每个个体的非支配级别,以标识哪些个体占据 Pareto 前沿的不同位置。较高级别的个体不被较低级别的个体支配。
  4. 拥挤距离计算:为了保持 Pareto 前沿的多样性,NSGA-II 计算拥挤距离,以度量个体在目标空间的密度。拥挤距离越大,个体之间的距离越远,从而有助于保持 Pareto 前沿上的均匀分布。
  5. 选择操作:NSGA-II 使用二元锦标赛(binary tournament)作为选择操作,在每代中,首先使用二元锦标赛选择操作从当前种群中随机选择两个个体,然后选择其中具有更高非支配级别的个体。这个选择过程是通过比较个体的非支配级别和拥挤距离来执行的。
  6. 交叉/变异操作:将选择出的个体通过交叉(crossover)和变异(mutation)操作生成父代种群。将父代和子代合并成一个更大的候选种群。
  7. 迭代:将候选种群重新进行非支配排序、拥挤距离计算、选择、交叉、变异,生成新的子代种群,迭代执行,直到满足停止条件(如达到最大迭代次数或收敛到满意的 Pareto 前沿解)。

GA→NSGA II

NSGA II是从NSGA改进过来的,个人感觉NSGA相对传统的GA算法改进不多,故这里直接梳理一下NSGA II相对传统的GA作了哪些改进。

  1. 非支配解和非支配排序:NSGA-II 引入了非支配排序,它通过将个体划分为多个前沿来确定每个个体的非支配级别。这种排序方法有助于找到 Pareto 前沿上的多样性解,而传统 GA 通常只关注单一的目标。

关于支配与非支配的概念,可以看这篇文章:https://blog.csdn.net/weixin_43893771/article/details/106689335

简单说,在多目标优化问题中,如果对于所有的目标,解1都优于解2,就称解1“支配于”解2;若解1在一部分目标上的表现优于解2,在另一部分的目标上的表现劣于解2,则称解1和解2之间互不支配(非支配)。非支配解之间由于其在不同目标上表现各有优劣,势均力敌,可将它们放在同一层级,称为“ Pareto 前沿层”,各层之间存在明显的上层支配下层的关系,因而我们可以对这些层次之间进行排序,规定表现最优的解在第一层,支配于下边的所有解,依次类推(类比一下人与人之间的三六九等)。这样,就对多目标问题的目标函数和解的评价建立了一个很好的描述模型。在下边的二维视图中可以明显地看出解的支配与非支配关系。

2. 拥挤距离:NSGA-II 引入了拥挤距离来维护 Pareto 前沿上解的多样性。拥挤距离度量了个体在目标空间的密度,有助于确保前沿上的解均匀分布。

直观上理解,某个解的拥挤距离可认为是以该解所在的Pareto 前沿层的左右两边的相邻两个解(以二维为例)为顶点构成的长方形的周长(极端的两个端点拥挤距离设为一个较大值)。扩展到高维,在计算拥挤距离时,个体通常被分配到一个多维空间中的一个长方形(或超立方体)中,这个长方形的边长由个体在每个维度上的分布情况决定。拥挤距离是由各个维度上的间隔之和组成,通常用于保持前沿上的解的分散性,使算法能够在多个目标函数下找到更多高质量的解。

3. 精英策略:将父代和子代连接成一个2N的种群是NSGA II中的一种实现精英主义的策略。在下一代中,最优解通常是当前种群中的一部分。通过将父代和子代合并成一个更大的种群,最优解不容易在选择操作中被遗漏。另外,子代通常包含一些新的解决方案,而父代包含了遗传信息,合并子代和父代也有助于保持种群的多样性。

注:实际上,我们还可以连接多代(如父代、子代和孙代)形成一个更大的种群(3N或更多),这被称为多代连接。

  1. 二元锦标赛选择:传统的GA通常用的是轮盘赌选择,NSGA II中使用的是二元锦标赛选择(实际上,两者都是特别简单的算法,其选用可以参考我的另一篇文章:【调度算法】关于轮盘赌和锦标赛两种选择算子的选用思考),确切地说,它是通过二元锦标赛和拥挤距离,共同完成对下一代的选择

原文(A Fast and Elitist Multiobjective Genetic Algorithm:NSGA-II)摘录:

It is important to note that we use a binary tournament selection operator but the selection criterion is now based on the crowded-comparison operator ≺ n \prec_nn.

用大白话说就是,选择子代种群时,使用二元锦标赛选择算法,并且在进行二元锦标赛时,选择标准是基于拥挤距离来确定获胜者。即,拥挤距离用于衡量解的拥挤程度,以确定哪个解应该在二元锦标赛中获胜。

二元锦标赛选择和精英保留的方式可以总结为:算法先用二元锦标赛选择从父代中筛选个体进行交配,产生子代,然后合并父代和子代为2N种群,计算合并后的2N种群的非支配等级和拥挤距离并进行排序,最后根据2N种群的个体排序进行精英保留

算法实现

原代码GitHub地址:https://github.com/haris989/NSGA-II/tree/master

应该是最早最简单的对NSGA II的复现吧(膜拜大佬)。只是对原算法添加了注释,基本没有对主要函数进行修改。

# Importing required modules
import math
import random
import matplotlib.pyplot as plt
# First function to optimize
def function1(x):
    value = -x ** 2
    return value
    
# Second function to optimize
def function2(x):
    value = -(x - 2) ** 2
    return value
# Function to find index of list
def index_of(a, list):
    '''
    在给定的列表中查找指定元素的索引
    :param a: 要查找的元素
    :param list: 要查找的列表
    :return: 元素a在list中的索引
    '''
    for i in range(0, len(list)):
        if list[i] == a:
            return i
    return -1
# Function to sort by values
def sort_by_values(list1, values):
    '''
    根据给定的值列表对另一个列表进行排序,并返回排好序后的索引列表.
    :param list1: 要排序的列表
    :param values: 用于排序的值列表
    :return: 排序后的列表,返回的是索引???
    '''
    sorted_list = []
    while len(sorted_list) != len(list1):
        if index_of(min(values), values) in list1:  # 判断values中最小值的索引是否为list1中的元素(???为毛???这样会陷入死循环吧?)
            sorted_list.append(index_of(min(values), values))  # 这里插入的直接就是list1列表根据values列表排序规则排序后的索引??
        values[index_of(min(values), values)] = math.inf
        # 这个函数会陷入死循环,所以我加了个if语句,当value全为inf时直接break
        if set(values) == {math.inf}:
            break
    return sorted_list
# Function to carry out NSGA-II's fast non dominated sort
def fast_non_dominated_sort(values1, values2):
    '''
    :param values1: 多目标优化问题中每个解在第一个目标函数下的取值,如[5, 2, 9, 3, 7, 4]
    :param values2: 多目标优化问题中每个解在第二个目标函数下的取值,如[6, 4, 8, 2, 5, 3]
    :return: 二维列表 front,其中包含 Pareto 前沿中每层非支配解的索引,如[[2], [0, 4], [1, 5], [3]]
    '''
    # 初始化 S, front, n 和 rank 列表
    S = [[] for _ in range(0, len(values1))]  # 记录每个解的被支配解集合
    front = [[]]  # 记录 Pareto 前沿层级
    n = [0 for _ in range(0, len(values1))]  # 记录每个解被支配的次数
    rank = [0 for _ in range(0, len(values1))]  # 记录每个解所处的 Pareto 前沿层级
    # 对每个解计算被支配解集合 S 和支配该解的次数 n
    for p in range(0, len(values1)):
        S[p] = []
        n[p] = 0
        for q in range(0, len(values1)):
            if (values1[p] > values1[q] and values2[p] > values2[q]) or (
                    values1[p] >= values1[q] and values2[p] > values2[q]) or (
                    values1[p] > values1[q] and values2[p] >= values2[q]):
                if q not in S[p]:
                    S[p].append(q)
            elif (values1[q] > values1[p] and values2[q] > values2[p]) or (
                    values1[q] >= values1[p] and values2[q] > values2[p]) or (
                    values1[q] > values1[p] and values2[q] >= values2[p]):
                n[p] = n[p] + 1
        # 如果一个解没有被任何其他解支配,则将其归为 Pareto 前沿的第一层
        if n[p] == 0:
            rank[p] = 0
            if p not in front[0]:
                front[0].append(p)
    # 循环计算 Pareto 前沿集合
    i = 0
    while front[i]:
        Q = []
        for p in front[i]:
            # 遍历被支配解集合 S,更新其 n 值
            for q in S[p]:
                n[q] = n[q] - 1
                # 如果某个解 q 不被其他解支配,则将其归为下一层 Pareto 前沿
                if n[q] == 0:
                    rank[q] = i + 1
                    if q not in Q:
                        Q.append(q)
        i = i + 1
        # 将下一层 Pareto 前沿加入到 front 中
        front.append(Q)
    # 删除最后一个空元素
    del front[len(front) - 1]
    # 返回 Pareto 前沿集合
    return front
# Function to calculate crowding distance
def crowding_distance(values1, values2, fronti):
    """
    计算 Pareto 前沿中每个解的拥挤距离
    :param values1: 一个列表,表示所有解在目标函数 1 下的取值
    :param values2: 一个列表,表示所有解在目标函数 2 下的取值
    :param fronti: 一个列表,包含 Pareto 前沿中某一层的非支配解的索引
    :return 一个列表,表示 Pareto 前沿中每个解的拥挤距离
    """
    distance = [0 for _ in range(0, len(fronti))]  # 初始化第i层所有解的拥挤距离为 0
    sorted1 = sort_by_values(fronti, values1[:])  # 根据目标函数 1 的取值,为当前前沿层排序并得到排序后的索引列表
    sorted2 = sort_by_values(fronti, values2[:])  # 根据目标函数 2 的取值,为当前前沿层排序并得到排序后的索引列表
    # 对于前沿中的第一个和最后一个解,将其拥挤距离设为一个较大的数
    distance[0] = 4444444444444444
    distance[len(fronti) - 1] = 4444444444444444
    # 计算前沿中其他解的拥挤距离
    if len(distance) <= 2:
        return distance
    for k in range(1, len(fronti) - 1):
        # 按照目标函数 1 进行计算,并将结果加到该解的拥挤距离上
        distance[k] = distance[k] + (values1[sorted1[k + 1]] - values2[sorted1[k - 1]]) / (max(values1) - min(values1))
        # 按照目标函数 2 进行计算,并将结果加到该解的拥挤距离上
        distance[k] = distance[k] + (values1[sorted2[k + 1]] - values2[sorted2[k - 1]]) / (max(values2) - min(values2))
    return distance  # 返回所有解的拥挤距离列表
# Function to carry out the crossover
def crossover(a, b):
    '''
    输入参数a和b是两个染色体,其中r是一个0到1之间的随机数。该函数根据随机数r的大小,选择将a和b进行加权平均或者差值运算,来生成新的染色体。然后,通过调用mutation函数对新的基因进行变异处理。
    '''
    r = random.random()
    if r > 0.5:
        return mutation((a + b) / 2)
    else:
        return mutation((a - b) / 2)
# Function to carry out the mutation operator
def mutation(solution):
    '''
    输入参数solution是一个染色体。该函数根据mutation_prob的大小,决定是否对基因进行变异处理。mutation_prob是一个0到1之间的随机数,用来表示变异的概率。在这个函数中,如果mutation_prob小于1,则将solution的值替换为min_x和max_x之间的随机数。
    '''
    mutation_prob = random.random()     # 变异概率
    if mutation_prob < 1:   # 这里表示一定会变异
        solution = min_x + (max_x - min_x) * random.random()    # 随机替换掉一个x的取值
    return solution
# Main program starts here
if __name__ == '__main__':
    pop_size = 20  # 种群大小
    max_gen = 921  # 最大迭代次数
    # Initialization
    min_x = -55  # x的取值范围(定义域)
    max_x = 55
    solution = [min_x + (max_x - min_x) * random.random() for _ in range(0, pop_size)]  # 在最大值和最小值之间生成随机的x取值列表
    gen_no = 0  # 当前迭代次数
    while gen_no < max_gen:
        # 计算两个函数在当前x取值下的y值(y1、y2)
        function1_values = [function1(solution[i]) for i in range(0, pop_size)]
        function2_values = [function2(solution[i]) for i in range(0, pop_size)]
        # 对y1和y2两个列表进行非支配排序,返回帕累托前沿中每层非支配解的索引
        non_dominated_sorted_solution = fast_non_dominated_sort(function1_values[:], function2_values[:])
        # print("non_dominated_sorted_solution=", non_dominated_sorted_solution)
        print("The best front for Generation number ", gen_no, " is")
        for valuez in non_dominated_sorted_solution[0]:
            print(round(solution[valuez], 3), end=" ")  # 保留3位小数
        print("\n")
        crowding_distance_values = []   # 拥挤距离
        for i in range(0, len(non_dominated_sorted_solution)):
            crowding_distance_values.append(
                crowding_distance(function1_values[:], function2_values[:], non_dominated_sorted_solution[i][:]))
        solution2 = solution[:]     # 将x取值列表深拷贝给solution2
        # Generating offsprings
        # 将solution2进行交叉和变异生成子代,返回2*pop_size长度的新的solution2列表,前pop_size是父代,后pop_size是子代
        while len(solution2) != 2 * pop_size:
            a1 = random.randint(0, pop_size - 1)
            b1 = random.randint(0, pop_size - 1)
            solution2.append(crossover(solution[a1], solution[b1]))
        # 计算新的y1和y2列表(新解是由父代和子代拼接成的2*pop_size列表)
        function1_values2 = [function1(solution2[i]) for i in range(0, 2 * pop_size)]
        function2_values2 = [function2(solution2[i]) for i in range(0, 2 * pop_size)]
        # 对新的y1和y2列表进行非支配排序(父代+子代)
        non_dominated_sorted_solution2 = fast_non_dominated_sort(function1_values2[:], function2_values2[:])
        crowding_distance_values2 = []  # 新的拥挤距离(父代+子代)
        for i in range(0, len(non_dominated_sorted_solution2)):
            crowding_distance_values2.append(
                crowding_distance(function1_values2[:], function2_values2[:], non_dominated_sorted_solution2[i][:]))
        new_solution = []   #
        for i in range(0, len(non_dominated_sorted_solution2)): # front各层的索引
            non_dominated_sorted_solution2_1 = [
                index_of(non_dominated_sorted_solution2[i][j], non_dominated_sorted_solution2[i]) for j in
                range(0, len(non_dominated_sorted_solution2[i]))]
            # 根据拥挤距离对非支配解的每一层进行排序
            front22 = sort_by_values(non_dominated_sorted_solution2_1[:], crowding_distance_values2[i][:])
            front = [non_dominated_sorted_solution2[i][front22[j]] for j in
                     range(0, len(non_dominated_sorted_solution2[i]))]
            front.reverse()     # 逆序,选择最末pop_size的front值(因为这里已经按照拥挤距离排序了,逆序表示选择拥挤距离较大的值,以尽可能保持解的多样性)
            for value in front:
                new_solution.append(value)
                if len(new_solution) == pop_size:
                    break
            if len(new_solution) == pop_size:
                break
        solution = [solution2[i] for i in new_solution]
        gen_no = gen_no + 1
    # 打印一下最终解的非支配排序结果看一下(结果发现所有的解都是非支配解。。。)
    # final_f1_values = [function1(solution[i]) for i in range(0, pop_size)]
    # final_f2_values = [function2(solution[i]) for i in range(0, pop_size)]
    # sort_result = fast_non_dominated_sort(final_f1_values,final_f2_values)
    # print(sort_result)
    # Lets plot the final front now
    function1 = [i * -1 for i in function1_values]
    function2 = [j * -1 for j in function2_values]
    plt.xlabel('Function 1', fontsize=15)
    plt.ylabel('Function 2', fontsize=15)
    plt.scatter(function1, function2)
    plt.show()


目录
相关文章
|
1月前
|
算法 调度 Python
【调度算法】并行机调度问题遗传算法
【调度算法】并行机调度问题遗传算法
33 2
|
1月前
|
算法 调度
【调度算法】NSGA III(2)
【调度算法】NSGA III
34 1
|
1月前
|
算法 测试技术 调度
【调度算法】DTLZ问题家族
【调度算法】DTLZ问题家族
20 1
|
1月前
|
算法 数据挖掘 调度
【调度算法】NSGA III(1)
【调度算法】NSGA III
76 0
|
9天前
|
机器学习/深度学习 算法 物联网
深入剖析操作系统调度算法
【7月更文挑战第13天】本文旨在探讨和比较不同的操作系统调度算法,并分析其对系统性能的影响。文章首先概述了调度算法的基本概念及其重要性,随后详细阐述了常见的调度算法类型,包括先来先服务、短作业优先、优先级调度、时间片轮转以及多级反馈队列等。通过对比不同算法的优缺点,文章进一步探讨了现代操作系统中调度算法的应用与挑战,以及如何根据实际需求选择合适的调度策略。最后,文章展望了操作系统调度算法的未来发展方向,特别是在云计算和物联网时代下的适应性与创新。
16 1
|
23天前
|
算法 调度 云计算
操作系统中的调度算法:从理论到实践
在计算机科学领域,操作系统的调度算法是决定任务执行顺序的关键。本文首先概述了调度算法的基本概念和重要性,随后深入探讨了几种主要的调度算法,包括先来先服务、短作业优先、轮转与优先级调度等。通过引用最新的科研数据和实验证据,文章揭示了不同调度算法的性能表现和适用场景。此外,本文还讨论了现代操作系统中调度算法面临的挑战和未来的发展方向,强调了在多核处理器和云计算环境下调度策略的复杂性。最后,通过案例分析,展示了如何在实际系统中应用这些理论知识,以及在设计高效调度系统时需要考虑的因素。
|
1月前
|
算法 调度
基于变异混合蛙跳算法的车间调度最优化matlab仿真,可以任意调整工件数和机器数,输出甘特图
**摘要:** 实现变异混合蛙跳算法的MATLAB2022a版车间调度优化程序,支持动态调整工件和机器数,输出甘特图。核心算法结合SFLA与变异策略,解决Job-Shop Scheduling Problem,最小化总完成时间。SFLA模拟蛙群行为,分组进行局部搜索和全局信息交换。变异策略增强全局探索,避免局部最优。程序初始化随机解,按规则更新,经多次迭代和信息交换后终止。
|
1月前
|
算法 调度
【调度算法】Boltzmann选择
【调度算法】Boltzmann选择
45 1
|
1月前
|
算法 调度 Python
【调度算法】开放车间调度问题遗传算法
【调度算法】开放车间调度问题遗传算法
17 1
|
18天前
|
机器学习/深度学习 算法 数据挖掘
操作系统调度算法的演进与性能分析
随着计算机科学的发展,操作系统作为硬件与软件之间的桥梁,其调度算法对系统性能有着举足轻重的影响。本文将探讨操作系统中调度算法的演变,从早期的简单调度策略到现代复杂的多级反馈队列和实时调度机制,并结合最新研究和实验数据,深入分析不同调度算法对系统吞吐量、响应时间及资源利用率的影响。通过对调度算法性能的定量评估,本文旨在为系统设计者提供优化决策的理论依据,同时为未来调度算法的研究指明方向。
15 0