HMOIVY - 多目标常春藤优化算法

项目简介

HMOIVY（Hierarchical Multi-objective Ivy）是一种新型多目标进化优化算法，灵感来源于常春藤植物的生长机制。该算法通过模拟常春藤的攀爬、分枝和扩展行为，实现了在多目标优化问题中的高效搜索。

本项目是毕业设计的源代码实现，包含算法核心代码和基准测试框架。

主要特性

• 三层分层更新机制：精英层、次精英层、被支配层采用不同更新策略
• 混合领导选择：结合分解式（Tchebycheff）和拥挤距离抽样
• 自适应变异：多项式变异参数随迭代代数自适应调整
• 外部存档维护：基于HV贡献的智能截断策略
• Growth Vector记忆：保留搜索历史信息，提升搜索平滑性
• 多种边界处理：支持反射式边界处理，避免个体堆积在边界

安装说明

环境要求

• Python 3.8 或更高版本
• pip 包管理器

安装步骤

# 克隆仓库
git clone <repository-url>
cd GradProj-Source

# 创建虚拟环境（推荐）
python -m venv venv
source venv/bin/activate  # Linux/Mac
# 或
venv\Scripts\activate  # Windows

# 安装依赖
pip install -r requirements.txt

项目结构

GradProj-Source/
├── moivy_v2.py              # MOIVY++ 算法核心实现
├── benchmark_moivy_v3.py    # 基准测试与比较框架
├── requirements.txt         # Python 依赖包列表
└── README.md                # 项目说明文档

使用方法

1. 作为优化器使用

from pymoo.problems import get_problem
from moivy_v2 import moivy_optimize

# 定义问题
problem = get_problem("zdt1")

# 运行优化
result = moivy_optimize(
    problem,
    pop_size=100,
    n_gen=200,
    seed=42,
    archive_size=200,
    verbose=True
)

# 获取结果
print("最终种群目标值形状:", result.F.shape)
print("存档非支配解形状:", result.archive_F.shape)
print("存档决策变量形状:", result.archive_X.shape)

2. 运行基准测试

# 运行简单测试套件（ZDT1, ZDT2, DTLZ2）
python benchmark_moivy_v3.py --suite easy --pop 100 --gen 1000 --seeds 1 2 3 4 5 --archive 300 --outdir results_easy

# 运行困难双目标测试（ZDT3/4/6, DTLZ3/4, WFG4/5/9）
python benchmark_moivy_v3.py --suite hard2 --pop 120 --gen 1500 --seeds 1 2 3 --archive 400 --outdir results_hard2

# 运行困难三目标测试（DTLZ3/4, WFG4/9）
python benchmark_moivy_v3.py --suite hard3 --pop 150 --gen 2000 --seeds 1 2 3 --archive 400 --outdir results_hard3

# 自定义问题列表
python benchmark_moivy_v3.py --problems zdt1 zdt4 dtlz3:2:30 wfg4:2:24 --pop 120 --gen 400

# 指定输出目录
python benchmark_moivy_v3.py --suite hard2 --outdir my_results --pop 100 --gen 300

3. 命令行参数说明

参数	说明	默认值
--suite	预定义测试套件 (easy/hard2/hard3)	None
--problems	自定义问题列表，格式: name[:n_obj:n_var[:k[:l]]]	zdt1 zdt2 dtlz2:2:12
--pop	种群大小	80
--gen	迭代代数	200
--seeds	随机种子列表	1 2 3 4 5
--archive	外部存档大小	250
--outdir	输出目录	results_moivy
--pf_points	Pareto前沿采样点数	4000

算法原理

核心思想

HMOIVY 算法将常春藤的生长行为抽象为以下机制：

1. 生长向量（Growth Vector）：记录个体的历史移动方向，具有记忆性
2. 邻居机制：循环邻居与随机邻居混合，兼顾局部结构和随机扰动
3. 三层分层更新：
   • 精英层（m1）：第一非支配前沿，偏局部开发与细化
   • 次精英层（m2）：第二前沿，开发与探索平衡
   • 被支配层（m3）：偏全局探索与跳出停滞
4. 领导选择：70% 使用 Tchebycheff 分解选择，30% 使用拥挤距离抽样
5. SBX嫁接：部分个体与领导进行模拟二进制交叉，快速形成新解

变异策略

• 多项式变异（PM）：变异参数 eta 从 12 线性增加到 40，前期粗探索、后期细开发
• SBX交叉：交叉概率从 0.1 线性增加到 0.4，逐步增强开发能力

存档维护

• 合并当前种群与历史存档，保留非支配解
• 二维目标时使用 HV 贡献截断，保护前沿两端极值点
• 高维目标时使用拥挤距离截断

性能指标

基准测试框架计算以下性能指标：

指标	全称	说明
GD	Generational Distance	代际距离，衡量收敛性
GD+	GD Plus	改进的代际距离
IGD	Inverted Generational Distance	反向代际距离，综合评价
IGD+	IGD Plus	改进的反向代际距离
HV	Hypervolume	超体积，综合评价指标
Epsilon	Additive Epsilon	加性 epsilon 指标
Spacing	Spacing	解集分布均匀性
Delta	Deb's Spread	前沿覆盖与均匀性（仅2目标）
Coverage	C(A,B)	覆盖率，算法间支配关系

输出结果

运行基准测试后，输出目录结构如下：

results_moivy/
├── details_all.csv          # 所有问题的详细结果
├── summary.csv              # 汇总统计（均值±标准差）
├── problem_id/
│   ├── details.csv          # 当前问题详细结果
│   ├── convergence.csv      # 收敛过程记录
│   ├── coverage.csv         # 覆盖率矩阵
│   ├── coverage_mean.csv    # 平均覆盖率
│   ├── fronts/              # 最终前沿数据（.npz格式）
│   └── plots/               # 可视化图表
│       ├── pareto_overlay_*.png/pdf    # Pareto前沿对比图
│       ├── conv_*.png/pdf              # 收敛曲线
│       └── coverage_heatmap.png/pdf    # 覆盖率热力图

测试问题

预定义测试套件

套件	问题	特点
easy	ZDT1, ZDT2, DTLZ2(2obj)	简单问题，验证算法基本功能
hard2	ZDT3, ZDT4, ZDT6, DTLZ3/4, WFG4/5/9	困难双目标问题
hard3	DTLZ3/4, WFG4/9	困难三目标问题

支持的测试问题

• ZDT系列：ZDT1-ZDT6
• DTLZ系列：DTLZ1-DTLZ7
• WFG系列：WFG1-WFG9

问题参数化格式

name[:n_obj:n_var[:k[:l]]]

示例：

• zdt1 - 默认参数
• dtlz3:2:30 - 2目标，30维
• wfg4:3:24 - 3目标，24维
• wfg4:2:24:4:20 - 2目标，24维，k=4，l=20

比较算法

基准测试框架包含以下基线算法：

• NSGA-II：非支配排序遗传算法II
• MOEA/D：基于分解的多目标进化算法
• SPEA2：强度Pareto进化算法2

许可证

本项目采用 MIT 许可证 - 详见 LICENSE 文件