CHƯƠNG 1 : TỔNG QUAN
1.3 Tổng quan về các thuật toán tối ưu đa mục tiêu
1.3.2 Các giải thuật tiến hóa đa mục tiêu tiêu biểu
Giải thuật di truyền hay giải thuật tiến hóa là họ giải thuật tìm kiếm dựa trên quần thể lời giải, các quần thể được tiến hóa qua mỗi vịng đời để tạo ra một tập quần thể tốt hơn. Giải thuật tiến hóa với các mở rộng gần đây đặc biệt phù hợp để giải quyết các bài toán tối ưu đa mục tiêu. Các giải thuật tiến hóa được mở rộng (như NSGA-II, NSGA-III) có thể được nâng cấp để tìm kiếm tập Pareto-được-biết-tốt-nhất trong bài tốn tối ưu đa mục tiêu chỉ trong số ít lượt chạy hơn nhiều so với các giải thuật tiến hóa truyền thống như giải thuật di truyền (GA). Do đó, giải thuật tiến hóa là cách tiếp cận meta-heuristic được ưa chuộng để giải bài tốn tối ưu hóa đa mục tiêu, do đó cũng có thể gọi với một tên gọi phù hợp hơn và đang được sử dụng rộng rãi là giải thuật tiến hóa đa mục tiêu (MOEA). Trong số các phương pháp tối ưu hóa đa mục tiêu dựa vào meta-heuristic, 70% các phương pháp là dựa vào giải thuật di truyền [41].
Giải thuật tiến hóa đa mục tiêu (MOEA) đầu tiên được biết là Vector Evaluated Genetic Algorithm (VEGA) được giới thiệu bởi Schaffer, 1985 [42]. Sau đó, nhiều MOEA khác đã được phát triển bao gồm Multi-objective Genetic Algorithm (MOGA) bởi Fonseca và Fleming, năm 1993 [43], Niched Pareto Genetic Algorithm (NPGA) bởi Horn và các cộng sự, năm 1994 [44], Weight-Based Genetic Algorithm (WBGA) bởi Hajela và Lin, năm 1992 [45], Random Weight Genetic Algorithm (RWGA) bởi Murata và Ishibuchi, năm 1995 [46], Nondominated Sorting Genetic Algorithm (NSGA) bởi Srinivas và Deb, năm 1994 [47], Strength Pareto Evolutionary Algorithm (SPEA) bởi Zitzler và Thiele năm 1999 [48], SPEA cải tiến (SPEA2) bởi Zitzler và các cộng sự năm 2001 [49], Pareto-Archived Evolution Strategy (PAES) bởi Knowles và Corne năm 2000 [50], Pareto Enveloped-based Selection Algorithm (PESA) bởi Corne và các cộng sự năm 2000 [51], Region-based Selection in Evolutionary Multiobjective Optimization (PESA-II) bởi Corne và các cộng sự năm 2001 [52], Fast Non-dominated Sorting Genetic Algorithm (NSGA-II) bởi Deb và các cộng sự năm 2002 [53], Rank-Density Based Genetic Algorithm (RDGA) bởi Yen và Lu năm 2003 [54] và Dynamic Multi- Objective Evolutionary Algorithm (DMOEA) Yen và Lu năm 2003 [54].
Điểm khác biệt giữa các giải thuật MOEA nằm ở cách gán độ thích nghi (fitness assignment), cách duy trì quần thể ưu tú (elitism) và các tiếp cận nhằm đa dạng hóa quần thể [41]. Phương pháp hay dùng để gán độ thích nghi là Xếp hạng Pareto (Pareto
ranking) được mô tả sau đây:Xếp hạng Pareto bao gồm việc gán thứ hạng 1 cho các cá thể không bị vượt trội trong quần thể và đưa chúng ra ngồi vịng xem xét; rồi tìm tập cá thể khơng bị vượt trội mới để gán thứ hạng 2 và tiếp tục như vậy. Kỹ thuật hay dùng để đa dạng hóa quần thể là chia sẻ độ thích nghi (fitness sharing). Phương pháp chia sẻ
Trang 29
độ thích nghi khuyến khích tìm kiếm trên những vùng chưa được thăm dò của Pareto front bằng cách giảm bớt độ thích nghi của các lời giải ở những vùng cá thể mật độ cao.