2.845

2023影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于决策变量时域变化特征分类的动态多目标进化算法

闵芬 董文波 丁炜超

王卓, 王成红. 复杂无向图的同构判定方法. 自动化学报, 2024, 50(6): 1143−1150 doi: 10.16383/j.aas.c230612
引用本文: 闵芬, 董文波, 丁炜超. 基于决策变量时域变化特征分类的动态多目标进化算法. 自动化学报, 2024, 50(11): 2154−2176 doi: 10.16383/j.aas.c230741
Wang Zhuo, Wang Cheng-Hong. Isomorphism determination methods for complex undirected graphs. Acta Automatica Sinica, 2024, 50(6): 1143−1150 doi: 10.16383/j.aas.c230612
Citation: Min Fen, Dong Wen-Bo, Ding Wei-Chao. Dynamic multi-objective evolutionary algorithm based on classification of decision variable temporal change characteristics. Acta Automatica Sinica, 2024, 50(11): 2154−2176 doi: 10.16383/j.aas.c230741

基于决策变量时域变化特征分类的动态多目标进化算法

doi: 10.16383/j.aas.c230741 cstr: 32138.14.j.aas.c230741
基金项目: 上海市基础研究特区计划(22TQ1400100-16), 上海市自然科学基金(23ZR1414900), 上海市计算机软件评测重点实验室开放课题(SSTL2023_03)资助
详细信息
    作者简介:

    闵芬:华东理工大学信息科学与工程学院硕士研究生. 2018年获得安徽大学学士学位. 主要研究方向为多目标优化及其应用. E-mail: minfen@mail.ecust.edu.cn

    董文波:华东理工大学信息科学与工程学院讲师. 主要研究方向为多视图机器学习, 深度高斯过程和多目标优化. E-mail: wbdong@ecust.edu.cn

    丁炜超:华东理工大学信息科学与工程学院副教授. 2019年获得华东理工大学计算机应用技术博士学位. 主要研究方向为群体智能与演化计算, 多目标优化算法和模式识别. 本文通信作者. E-mail: weich@ecust.edu.cn

  • 中图分类号: Y

Dynamic Multi-objective Evolutionary Algorithm Based on Classification of Decision Variable Temporal Change Characteristics

Funds: Supported by Shanghai Basic Research Special Zone Plan (22TQ1400100-16), Shanghai Natural Science Foundation (23ZR1414900), Shanghai Key Laboratory of Computer Software Evaluating and Testing Open Topics (SSTL2023_03)
More Information
    Author Bio:

    MIN Fen Master student at the School of Information Science and Engineering, East China University of Science and Technology. She received her bachelor degree from Anhui University in 2018. Her research interest covers multi-objective optimization and applications

    DONG Wen-Bo Lecturer at the School of Information Science and Engineering, East China University of Science and Technology. His research interest covers multi-view machine learning, deep Gaussian processes, and multi-objective optimization

    DING Wei-Chao Associate professor at the School of Information Science and Engineering, East China University of Science and Technology. He received his Ph.D. degree in computer application technology from East China University of Science and Technology in 2019. His research interest covers swarm intelligence and evolutionary computation, multi-objective optimization algorithm, and pattern classification. Corresponding author of this paper

  • 摘要: 动态多目标优化问题(Dynamic multi-objective optimization problems, DMOPs) 广泛存在于科学研究和工程实践中, 其主要考虑在动态环境下同时联合优化多个冲突目标. 现有方法往往关注于目标空间的时域特征, 忽视了对单个决策变量变化特性的探索与利用, 从而在处理更复杂的问题时不能有效引导种群收敛. 为此, 提出一种基于决策变量时域变化特征分类的动态多目标进化算法(Dynamic multi-objective evolutionary algorithm based on classification of decision variable temporal change characteristics, FT-DMOEA). 所提算法在环境动态变化时, 首先基于决策变量时域变化特征分类方法将当前时刻决策变量划分为线性变化和非线性变化两种类型; 然后分别采用拉格朗日外插法和傅里叶预测模型对线性和非线性变化决策变量进行下一时刻的初始化操作. 为了更有效地识别非线性决策变量变化模式, 傅里叶预测模型通过傅里叶变换将历史种群数据从时域转换到频域, 在分析周期性频率特征后, 使用自回归模型进行频谱估计后再反变换至时域. 在多个基准数据集上和其他算法进行对比, 实验结果表明, 所提算法是有效的.
  • 图的同构判定在有机化学、计算机科学和人工智能(机器学习或模式识别中常使用图的邻接矩阵特征值来判定两个对象是否为同一个对象)等领域有着重要的应用[13]. 上世纪前半叶, 与图同构相关的问题主要围绕图的邻接矩阵特征值及其应用展开[4], 取得若干重要的理论成果和一批应用成果; 其中一个重要的发现是, 两个互不同构的无向图却具有相同的邻接矩阵特征多项式, 即用邻接矩阵特征多项式判定两个无向图是否同构有时会得出错误的结果[4].

    上世纪70年代, Karp和Johnson认为图的同构判定问题是少数几个既不能归类为 P 问题也不能归类为 NP 的问题[1, 3]. 此后, 该问题成为理论计算机领域的公开问题并受到广泛重视. 1982年, Luks给出一个当时最好的两图同构判定算法, 其时间复杂度是$\exp ({\text{O(}}\sqrt {n\log n} {\text{)}}$)[56] ($ n $为图的顶点数). 此后40多年来, 几百篇这方面的文章得以在不同的学术期刊上发表[1]. 2015年, Babai[6]在Luks算法的基础上, 给出两图同构判定问题的拟多项式算法, 其时间复杂度是$ \exp ({(\log n)^{{\text{O(1)}}}}) $. Babai的工作虽然是一个重要进展, 但图的同构判定问题是否在多项式时间内可解仍然悬而未决[1, 3].

    图的同构判定问题的另一研究路径是设计可执行的判定算法, 大致可以分为传统和非传统两类判定算法. 传统判定算法有两类: 1) 针对一些特殊图[78] (如树和极大外平面图)的同构判定算法(如Ullman算法和Schmidt算法等[9]). 2) 针对一般简单图的同构判定算法, 如一些放在因特网上用于测试两图是否同构的程序(如Nauty和Saucy等[3, 6]). 非传统判定算法也有两类: 1) 基于遗传算法和神经网络的智能判定算法. 这些算法将图的同构判定问题转化为一类优化求解问题, 但其判定结果并不完全可靠. 2) 基于DNA计算[9]和量子计算的判定算法. 这类算法虽然高效, 但不能回答图的同构判定是 P 问题还是 NP 问题. 无向连通图的距离矩阵是素矩阵(邻接矩阵一般不是素矩阵), 它具有邻接矩阵所没有的独特性质[10]. 文献[10]揭示了简单无向图同构与距离矩阵同构之间的一般关系, 将基于邻接矩阵的同构判定条件推广到距离矩阵, 给出几个适合一般简单无向图的同构判定条件. 这些条件均是充要条件且均具有多项式时间复杂度. 上述成果是近年来图同构研究方面的一个重要进展.

    简单无向图的同构关系可由其距离矩阵的同构关系确定, 但复杂无向图却不能. 其根本原因在于: 复杂无向图中的自环和顶点间的重边对顶点间的距离没有影响[10]; 换言之, 自环数或重边数不同的复杂无向图可能具有完全相同的距离矩阵. 因文献[10]所给的判定条件不能用于复杂无向图, 故寻找和发现复杂无向图的同构判定条件既是必须的也是重要的. 本文的主要贡献是: 1) 针对一般复杂无向图的同构判定问题, 给出了基于邻接矩阵之和的特征多项式判定条件. 2) 针对复杂无向连通图的同构判定问题, 给出了基于距离矩阵特征多项式和邻接矩阵特征多项式的同构判定条件. 将该条件用于复杂无向不连通图的各个连通子图, 就可解决复杂无向不连通图的同构判定问题. 上述两个判定条件均是充要条件且均具有多项式时间复杂度. 此外, 当复杂无向图退化为简单无向图时, 上述两个判定条件仍然适用.

    定义1[4, 1112]. 图$ G $是一个二元组, 记作$ G = \langle V, E \rangle $, 其中:

    1) $ V = \{ {v_1},\;{v_2},\; \cdots ,\;{v_n}\left| {\left| V \right| = n,\;{\text{ 1}} \le n < \infty } \right.\} $, $ {v_i} \in V $称为$ G $的顶点, $ V $称为$ G $的顶点集.

    2) $ E = \{ {e_1},\;{e_2},\; \cdots ,\;{e_m}\left| {\left| E \right| = m,\;{\text{ 0}} \le m < \infty } \right.\} $, $ {e_j} \in E $称为$ G $的边, $ E $称为$ G $的边集.

    3) $ \forall {e_j} \in E $: $ {e_j} $为无向边时, 称$ G $为无向图, $ {e_j} $为有向边时, 称$ G $为有向图.

    4) 连接同一顶点的边称为自环, 两顶点间的多条无向边或多条方向相同的有向边称为重边. 既无自环也无重边的图称为简单图, 否则称为复杂图.

    在现有文献报道的复杂无向图中, 每个顶点最多有一个自环. 若无特别声明, 本文讨论的均是顶点最多有一个自环的复杂无向图.

    定义2[1113]. 设$ G = \left\langle {V,\;E} \right\rangle $是无向图, $ V = \{ {v_1}, {v_2},\; \cdots ,\;{v_n}\} $. 若$ {v_i} $和$ {v_j} $之间有$ k $ ($ k = 0,\;1,\; \cdots $)条边, 令$ {a_{ij}} = k $; 称由元素$ {a_{ij}} $构成的矩阵$ A({a_{ij}}) \in {{\bf{R}}^{n \times n}} $为无向图$ G $的邻接矩阵.

    定义2既适合简单无向图也适合复杂无向图($ {a_{ij}} \in \{ 0,\;1,\;2,\; \cdots \} $). 无向图的邻接矩阵是非负整数对称矩阵.

    定义3[14]. 设$ {I_n} \in {{\bf{R}}^{n \times n}} $为单位矩阵, 交换$ {I_n} $的第$ i $行和第$ j $行(或第$ i $列与第$ j $列)所得的矩阵$ P(i,\;j) $称为对换矩阵, 对换矩阵的乘积称为置换矩阵.

    引理1[14]. 对换矩阵和置换矩阵具有如下性质:

    1) 置换矩阵的乘积仍是置换矩阵;

    2) 设$ Q $是置换矩阵, 则$ \det (Q) = \pm 1 $;

    3) 设$ Q $是置换矩阵, 则$ {Q^{\text{T}}} $和$ {Q^{ - 1}} $也是置换矩阵, 且$ {Q^{\text{T}}} = {Q^{ - 1}} $;

    4) 置换矩阵是正交矩阵;

    5) 置换矩阵是幂幺矩阵, 即若$ Q $是置换矩阵, 则$ {Q^m} = {I_n} $, $ m $是某自然数.

    由定义3和引理1可知, 对换矩阵和$ {I_n} $也是置换矩阵.

    定义4[10]. 设$ A,\;B \in {{\bf{R}}^{n \times n}} $, $ \Omega \subset {{\bf{R}}^{n \times n}} $为全体$ n $阶置换矩阵的集合. 若存在置换矩阵$ Q \in \Omega $, 使得$ A = {Q^{\text{T}}}BQ $, 则称$ A $与$ B $同构, 记作$ A \cong B $; 此外, 称$ {Q^{\text{T}}}BQ $是对$ B $的同构变换.

    图的同构问题可以这样表述: 给定两个图, 当忽略图中顶点标号、顶点间相对位置、边的长短和曲直信息时, 问这两个图是否具有相同的结构?

    定义5[4, 1213]. 设$ {G_{\text{1}}} = \left\langle {{V_{\text{1}}},\;{E_{\text{1}}}} \right\rangle $和$ {G_2} = $ $ \langle {V_2}, {E_{\text{2}}} \rangle $是两个图. 若存在一个从$ {V_1} $到$ {V_2} $的一一映射$ g $: $ \forall {v_i},\;{v_j} \in {V_1} $, $ {v_i} $至$ {v_j} $有$ k $条边, 当且仅当$ g({v_i}), g({v_j}) \in {V_2} $, 且$ g({v_i}) $至$ g({v_j}) $也有$ k $条边, 则称$ {G_1} $和$ {G_2} $同构, 记作$ {G_1} \cong {G_2} $.

    定义5既适合简单图也适合复杂图($ k \in \{ 0, 1,\;2,\; \cdots \} $).

    引理2[1011]. 设$ {G_{\text{1}}} = \left\langle {{V_{\text{1}}},\;{E_{\text{1}}}} \right\rangle $和$ {G_2} = $$ \left\langle {{V_{\text{2}}},\;{E_{\text{2}}}} \right\rangle $是两个图, $ \left| {{V_1}} \right| = \left| {{V_2}} \right| = n $, $ A $与$ B $分别是$ {G_1} $和$ {G_2} $的邻接矩阵, 则$ {G_1} \cong {G_2} $的充要条件是存在$ n $阶置换矩阵$ Q \in \Omega $, 使得$ A = {Q^{\text{T}}}BQ $.

    引理2适合一切无向和有向图. 由定义4和引理2可知, 两图同构与该两图的邻接矩阵同构等价.

    定义6[4, 1013]. 设$ G = \left\langle {V,\;E} \right\rangle $是无向图, $ V = \{ {v_1},\;{v_2},\; \cdots ,\;{v_n}\} $, $ E = \{ {e_1},\;{e_2},\; \cdots ,\;{e_m}\} $: 1) $ G $中顶点与边的交替序列$ W = {v_1}{e_1}{v_2}{e_2} \cdots {v_k}{e_k}{v_{k + 1}} $ ($ k \le n - 1 $)称为$ G $的链, 各边互异的链称为迹, 各顶点互异的链称为路, 当$ W $是路时, $ W $中的边数$ k $称为$ W $的长度, 记作$ k = \left| W \right| $; 2) 设$ {v_i} $和$ {v_j} $是$ V $中任意两个顶点, 当$ {v_i} $和$ {v_j} $之间有$ s $条路$ {W_s}{\text{ }} $时, 称$ d({v_i},\;{v_j}) = $$ \min \{ {k_p} = \left| {{W_p}} \right|\left| {1 \le p \le s} \right.\} $为$ {v_i} $和$ {v_j} $之间的距离; 若$ {v_i} $和$ {v_j} $之间无路($ G $不连通), 约定$ d({v_i},\;{v_j}) = \infty $.

    定义7[10, 13]. 设$ G = \left\langle {V,\;E} \right\rangle $是无向图, $ V = \{ {v_1}, {v_2},\; \cdots ,\;{v_n}\} $, $ {d_{ij}} = d({v_i},\;{v_j}) $表示顶点$ {v_i} $和$ {v_j} $($ 1 \le i, j \le n $)之间的距离: 当$ i = j $时, 令$ {d_{ii}} = 0 $; 当$ i \ne j $且$ d({v_i},\;{v_j}) = k $ ($ d({v_i},\;{v_j}) = \infty $)时, 令$ {d_{ij}} = k $$ ({d_{ij}} = \infty ) $, 其中$ k \ge 1 $为正整数, 称由元素$ {d_{ij}} $构成的矩阵$ D({d_{ij}}) \in {{\bf{R}}^{n \times n}} $为无向图$ G $的距离矩阵.

    由定义6和定义7可知: 1) 复杂无向图中的自环和顶点间的重边对顶点间的距离没有影响; 2) 当$ G $是无向连通图时, 距离矩阵$ D $是对角线元素均为零而其他元素均为正整数的对称矩阵.

    定义8[1213]. 设$ {G_n} = \left\langle {V,\;E} \right\rangle $是简单无向图, $ V = \{ {v_1},\;{v_2},\; \cdots ,\;{v_n}\} $, $ n \ge 2 $, 若$ \forall i \ne j $, $ {v_i} $和$ {v_j} $之间恰有一条边, 则称$ {G_n} $为无向完全图, 其邻接矩阵记为$ {A_n} $.

    由定义2和定义8可知, $ {A_n} $的对角线元素均为0而其他元素均为1. 设$ {G_n} $的距离矩阵为$ {D_n} $, 由定义7可知, $ {D_n} = {A_n} $, 即$ {A_n} $既是$ {G_n} $的邻接矩阵又是$ {G_n} $的距离矩阵.

    定义9. 设$ { T} \subset {{\bf{R}}^{n \times n}} $$ (n \ge 2) $表示全体$ n $阶正交矩阵的集合; $ {\Omega ^ - } = \{ - S\left| {S \in \Omega } \right.\} $表示全体$ n $阶负置换矩阵的集合; $ \Phi = \Omega \cup {\Omega ^ - } $表示全体$ n $阶置换矩阵和全体$ n $阶负置换矩阵的并集; $ \Theta = { T} - \Phi $表示$ { T} $中除$ \Phi $之外全体$ n $阶正交矩阵的集合.

    由定义9和正交矩阵的性质可知: $ \Theta \cap \Phi = \emptyset $($ \emptyset $为空集), $ \Theta \cup \Phi = { T} $; $ \forall {Q_1},\;{Q_2} \in \Phi $, $ {Q_1}{Q_2} \in \Phi $; $ \forall Q \in \Phi $, $ \forall P \in \Theta $, $ QP,\;{\text{ }}PQ \in \Theta $; $ \forall P \in \Theta $, $ \forall E \in \Phi $, $ \forall Q \in { T} $且$ Q \ne E{P^{\text{T}}} $, $ QP,\;{\text{ }}PQ \in \Theta $.

    为简便计, $ \forall A \in {{\bf{R}}^{n \times n}} $$ (n \ge 2) $, 本文用$ {f_\lambda }(A) $表示$ A $的特征多项式 $ \det (\lambda {I_n} - A) $, 即$ {f_\lambda }(A) = \det (\lambda {I_n} - A) $.

    推论1. 设$ {G_{\text{1}}} = \left\langle {{V_{\text{1}}},\;{E_{\text{1}}}} \right\rangle $和$ {G_{\text{2}}} = \left\langle {{V_{\text{2}}},\;{E_{\text{2}}}} \right\rangle $是两个无向图, $ \left| {{V_1}} \right| = \left| {{V_2}} \right| = n $, $ A $与$ B $分别是$ {G_1} $和$ {G_2} $的邻接矩阵, 若$ {f_\lambda }(A) \ne {f_\lambda }(B) $, 则$ {G_1} $和$ {G_2} $不同构.

    证明. 设$ {f_\lambda }(A) \ne {f_\lambda }(B) $时, $ {G_1} \cong {G_2} $. 由引理2可知, 当$ {G_1} \cong {G_2} $时, 存在$ n $阶置换矩阵$ Q \in \Omega $, 使得$ A = {Q^{\text{T}}}BQ $. 由此, $ {f_\lambda }(A) = $ $ {f_\lambda }({Q^{\text{T}}}BQ) = {f_\lambda }(B) $, 与假设相矛盾. 故$ {f_\lambda }(A) \ne {f_\lambda }(B) $时, $ {G_1} $和$ {G_2} $不同构.

    推论1既适合简单无向图也适合复杂无向图. 需要强调的是, 即使$ {f_\lambda }(A) = {f_\lambda }(B) $, 也不能保证$ {G_1} $和$ {G_2} $同构. 邻接矩阵特征多项式相等仅是两个无向图同构的必要条件[10, 15].

    设$ A({a_{ij}}) \in {{\bf{R}}^{n \times n}} $$ (n \ge 2) $是对称矩阵: 若$ {a_{ij}} $全是正整数, 则称$ A $为正整数对称矩阵; 若$ {a_{ij}} $为零或正整数, 则称$ A $为非负整数对称矩阵.

    引理3[10]. 设$ A \in {{\bf{R}}^{n \times n}} $$ (n \ge 2) $是对角线元素均为1而其他元素均为正整数的对称矩阵, 则$ \forall P \in \Theta $, $ {P^{\text{T}}}AP $不是正整数对称矩阵.

    引理4[14]. 设$ A \in {{\bf{R}}^{n \times n}} $, 则$ A $为正交矩阵的充要条件是存在正交矩阵$ P \in { T} $, 使得

    $$ {P^{\text{T}}}AP = {P^{ - 1}}AP = \left[ {\begin{array}{*{20}{c}} {{I_s}}&{}&{} \\ {}&{ - {I_t}}&{} \\ {}&{}&{{H_\theta }} \end{array}} \right] = {P_\theta } $$

    其中, $ {I_s} $与$ I_{t} $分别是$ s $阶和$ t $阶单位矩阵,

    $$ {H_\theta } = \left[ {\begin{array}{*{20}{c}} {\left[ {\begin{array}{*{20}{c}} {\cos {\theta _1}}&{\sin {\theta _1}} \\ { - \sin {\theta _1}}&{\cos {\theta _1}} \end{array}} \right]}&{}&{} \\ {}& \ddots &{} \\ {}&{}&{\left[ {\begin{array}{*{20}{c}} {\cos {\theta _k}}&{\sin {\theta _k}} \\ { - \sin {\theta _k}}&{\cos {\theta _k}} \end{array}} \right]} \end{array}} \right] $$

    $ s + t + 2k = n $, $ {\theta _j} \in {\bf{R}} $$ (1 \le j \le k) $为实数.

    由正交矩阵的定义可知, $ {P_\theta } $和$ {H_\theta } $均是正交矩阵.

    定理1. 设$ A \in {{\bf{R}}^{n \times n}} $$ (n \ge 2) $是对角线元素为0或1而其他元素均为正整数的对称矩阵, 则$ \forall P \in \Theta $, $ {P^{\text{T}}}AP $既不是正整数对称矩阵也不是非负整数对称矩阵.

    证明. 当$ A $的对角线元素全为1时, 由引理3可知, $ \forall P \in \Theta $, $ {P^{\text{T}}}AP $不是正整数对称矩阵. 当$ A $的对角线元素全为0时, 设$ B = A + {I_n} $. 由引理3可知, $ \forall P \in \Theta $, $ {P^{\text{T}}}BP $不是正整数对称矩阵. 因$ {P^{\text{T}}}BP = {P^{\text{T}}}AP + {I_n} $, 故$ \forall P \in \Theta $, $ {P^{\text{T}}}AP $不是非负整数对称矩阵. 当$ A $的对角线元素不全为0也不全为1时, 以下用归纳法证明: $ \forall P \in \Theta $, $ {P^{\text{T}}}AP $不是非负整数对称矩阵.

    当$ n = 2 $时, 设

    $$ A = \left[ {\begin{array}{*{20}{c}} {{\delta _1}}&a \\ a&{{\delta _2}} \end{array}} \right] ,\; P = \left[ {\begin{array}{*{20}{c}} {\cos \theta }&{\sin \theta } \\ { - \sin \theta }&{\cos \theta } \end{array}} \right] $$

    其中, $ {\delta _1},\;{\delta _2} \in \{ 0,\;1\} $, $ {\delta _1} + {\delta _2} = 1 $, $ a \ge 1 $为正整数, $ \theta \in {\bf{R}} $. 设$ {\vartheta _1} = \sin 2\theta $, $ {\vartheta _2} = \cos 2\theta $, $ C = {P^{\text{T}}}AP $, 可得

    $$ C = \left[ {\begin{array}{*{20}{c}} {{{\sin }^2}\theta + {\delta _1}{\vartheta _2} - a{\vartheta _1}}&{({\delta _1} - 0.5){\vartheta _1} + a{\vartheta _2}} \\ {({\delta _1} - 0.5){\vartheta _1} + a{\vartheta _2}}&{{{\cos }^2}\theta - {\delta _1}{\vartheta _2} + a{\vartheta _1}} \end{array}} \right] $$

    当$ \theta \ne \pm k\pi $$ (k = 0,\;1,\;2,\; \cdots ) $时, $ P \in \Theta $, $ C $不是非负整数对称矩阵($ C $的元素中有负数或小数). 当$ P \in \Theta $时, 由定义9和引理4可知, 对一切2阶正交矩阵$ E \in \Phi $, $ Z \in {\rm T} $且$ Z \ne E{P^{ - 1}} $, 则: 1) $ {J_1} = ZP \in \Theta $, $ {J_2} = PZ \in \Theta $, $ {J_3} = {Z^{\text{T}}}PZ \in \Theta $; 2) $ J_1^{\text{T}}A{J_1} $, $ J_2^{\text{T}}A{J_2} $, $ J_3^{\text{T}}A{J_3} $均不是非负整数对称矩阵. 由此, 对一切2阶正交矩阵$ J \in \Theta $, $ {J^{\text{T}}}AJ $不是非负整数对称矩阵.

    当$ n = 3 $时, 设

    $$ A = \left[ {\begin{array}{*{20}{c}} {{\delta _1}}&{{a_1}}&{{a_2}} \\ {{a_1}}&{{\delta _2}}&{{a_3}} \\ {{a_2}}&{{a_3}}&{{\delta _3}} \end{array}} \right] ,\; P = \left[ {\begin{array}{*{20}{c}} \delta &0&0 \\ 0&{\cos \theta }&{\sin \theta } \\ 0&{ - \sin \theta }&{\cos \theta } \end{array}} \right] $$

    其中, $ {\delta _1},\;{\delta _2},\;{\delta _3} \in \{ 0,\;1\} $, $ 1 \le {\delta _1} + {\delta _2} + {\delta _3} \le 2 $, $ {a_i} \ge 1 $ $ (1 \le i \le 3) $为正整数, $ \delta = \pm 1 $, $ \theta \in {\bf{R}} $. 设$ {\vartheta _1} = \sin 2\theta $, $ {\vartheta _2} = \cos 2\theta $, $ \alpha (\theta ) = {a_1}\cos \theta - {a_2}\sin \theta $, $ \beta (\theta ) = {a_1}\sin \theta $ $ +{a_2}\cos \theta $, $ \eta = {\delta _2} - {\delta _3} $, $ \mu (\theta ) = \eta {\sin ^2}\theta $, $ C = {P^{\mathrm{T}}}AP $, 可得

    $$ C = \left[ {\begin{array}{*{20}{c}} {{\delta _1}}&{\delta \alpha (\theta )}&{\delta \beta (\theta )} \\ {\delta \alpha (\theta )}&{{\delta _2} - \mu (\theta ) - {a_3}{\vartheta _1}}&{0.5\eta {\vartheta _1} + {a_3}{\vartheta _2}} \\ {\delta \beta (\theta )}&{0.5\eta {\vartheta _1} + {a_3}{\vartheta _2}}&{{\delta _3} + \mu (\theta ) + {a_3}{\vartheta _1}} \end{array}} \right] $$

    当$ \delta = 1 $且 $ \theta \ne \pm 2l\pi $$ (l = 0,\;1,\;2,\; \cdots ) $, 或者$ \delta = - 1 $且$ \theta \ne \pm h\pi $ ($ h $为奇数)时, $ P \in \Theta $, $ C $不是非负整数对称矩阵. 类似$ n = 2 $时的分析可得, 对一切3阶正交矩阵$ J \in \Theta $, $ {J^{\text{T}}}AJ $不是非负整数对称矩阵.

    当$ n \ge 4 $时, 设

    $$ A = \left[ {\begin{array}{*{20}{c}} {{A_{11}}}&{{A_{12}}}&{{A_{13}}} \\ {A_{12}^{\text{T}}}&{{A_{22}}}&{{A_{23}}} \\ {A_{13}^{\text{T}}}&{A_{23}^{\text{T}}}&{{A_{33}}} \end{array}} \right] ,\; {P_\theta } = \left[ {\begin{array}{*{20}{c}} {{I_s}}&{}&{} \\ {}&{ - {I_t}}&{} \\ {}&{}&{{H_\theta }} \end{array}} \right] $$

    其中, $ {A_{11}} \in {{\bf{R}}^{s \times s}} $、$ {A_{22}} \in {{\bf{R}}^{t \times t}} $和$ {A_{33}} \in {{\bf{R}}^{2k \times 2k}} $均是对角线元素为0或1而其他元素全是正整数的分块对称矩阵; $ {A_{12}} $, $ {A_{13}} $, $ {A_{23}} $均是分块正整数矩阵; $ A $的对角线元素之和满足$ 1 \le \sum\nolimits_i {{a_{ii}}} \le n - 1 $; $ {H_\theta } $为形如引理4中的矩阵, $ s + t + 2k = n $, $ {\theta _j} \in {\bf{R}} $$ (1 \le j \le k) $为实数. 由此,

    $$ P_\theta ^{\text{T}}A{P_\theta } = \left[ {\begin{array}{*{20}{c}} {{A_{11}}}&{ - {A_{12}}}&{{A_{13}}{H_\theta }} \\ { - A_{12}^{\text{T}}}&{{A_{22}}}&{ - {A_{23}}{H_\theta }} \\ {H_\theta ^{\text{T}}A_{13}^{\text{T}}}&{ - H_\theta ^{\text{T}}A_{23}^{\text{T}}}&{H_\theta ^{\text{T}}{A_{33}}{H_\theta }} \end{array}} \right] $$

    1) 当$ s = n $, 或$ 1 \le s < n $, $ t = 0 $且所有的$ {\theta _j} = \pm 2l\pi $$ (l = 0,\;1,\;2,\; \cdots ) $, 或$ s = t = 0 $且所有的$ {\theta _j} = \pm 2l\pi $$ (l = 0,\;1,\;2,\; \cdots ) $时, $ {P_\theta } = {I_n} \in \Omega $.

    2) 当$ t = n $, 或$ 1 \le t < n $, $ s = 0 $且所有的$ {\theta _j} = \pm h\pi $($ h $为奇数), 或$ t = s = 0 $且所有的$ {\theta _j} = \pm h\pi $($ h $为奇数)时, $ {P_\theta } = - {I_n} \in \Phi $.

    3) 当$ s,\;t,\;k $和$ {\theta _j} $$ (1 \le j \le k) $的取值不是上述两种情况时, $ {P_\theta } \in \Theta $, $ P_\theta ^{\text{T}}A{P_\theta } $不是非负整数对称矩阵.

    当$ P \in \Theta $时, 由定义9和引理4可知, 对一切$ n \ge 4 $阶正交矩阵$ E \in \Phi $, $ Z \in {T} $且$ Z \ne E{P^{ - 1}} $, 则: a) $ {J_1} = ZP \in \Theta $, $ {J_2} = PZ \in \Theta $, $ {J_3} = {Z^{\text{T}}}PZ \in \Theta $; b) $ J_1^{\text{T}}A{J_1} $, $ J_2^{\text{T}}A{J_2} $, $ J_3^{\text{T}}A{J_3} $均不是非负整数对称矩阵. 由此, 对一切$ n \ge 4 $阶正交矩阵$ J \in \Theta $, $ {J^{\text{T}}}AJ $不是非负整数对称矩阵.

    综上可得, $ \forall n \ge 2 $, $ \forall P \in \Theta $, $ {P^{\text{T}}}AP $不是非负整数对称矩阵.

    此外, 不难证明, $ \forall n \ge 2 $, $ \forall Q \in \Phi $, $ {Q^{\text{T}}}AQ $是非负整数对称矩阵.

    使用定义8中的符号$ {A_n} $和引理2, 可以得到如下推论.

    推论2. 设$ {G_{\text{1}}} = \left\langle {{V_{\text{1}}},\;{E_{\text{1}}}} \right\rangle $和$ {G_2} = \left\langle {{V_{\text{2}}},\;{E_{\text{2}}}} \right\rangle $是两个无向图, $ \left| {{V_1}} \right| = \left| {{V_2}} \right| = n \ge 2 $, $ A $与$ B $分别是$ {G_1} $和$ {G_2} $的邻接矩阵, 则$ {G_1} \cong {G_2} $的充要条件是存在$ n $阶置换矩阵$ Q \in \Omega $, 使得$ A + {A_n} = {Q^{\text{T}}}(B + {A_n})Q $.

    证明. 设$ A + {A_n} = {Q^{\text{T}}}(B + {A_n})Q $. 由定义3和引理1可知, 置换矩阵$ Q \in \Omega $$ (Q \ne {I_n}) $可表示为$ m $ ($ m \ge 2 $为正整数)个对换矩阵$ P({i_s},\;{j_s}) = {P_s} $的乘积, 即$ Q = P({i_1},\;{j_1}) \cdots P({i_m},\;{j_m}) = {P_1} \cdots {P_m}$. 此外, 不难验证, 任给对换矩阵$ {P_s} $, $ P_s^{\text{T}}{A_n}{P_s} = {A_n} $. 由此可得: $ {Q^{\text{T}}}{A_n}Q = P_m^{\text{T}} \cdots P_1^{\text{T}}{A_n}{P_1} \cdots {P_m} = {A_n} $; $ A\; + {A_n} = $$ {Q^{\text{T}}}(B + {A_n})Q = {Q^{\text{T}}}BQ + {A_n} $; $ A = {Q^{\text{T}}}BQ $. 再由引理2可得, $ {G_1} \cong {G_2} $.

    设$ {G_1} \cong {G_2} $. 由引理2可知, 存在$ n $阶置换矩阵$ Q \in \Omega $, 使得$ A = {Q^{\text{T}}}BQ $. 由上述充分性证明可知, $ \forall Q \in \Omega $, $ {A_n} = {Q^{\text{T}}}{A_n}Q $. 由此, $ A + {A_n} = {Q^{\text{T}}}(B + {A_n})Q $.

    容易理解, 推论2适合一切无向图.

    引理5[14]. 设$ C,\;B \in {{\bf{R}}^{n \times n}} $是对称矩阵, 则$ {f_\lambda }(C) = {f_\lambda }(B) $的充要条件是存在$ n $阶正交矩阵$ P \in {T} $, 使得$ C = {P^{\text{T}}}BP $.

    基于前面的分析和准备, 下面给出两个无向图的同构判定条件.

    定理2. 设$ {G_{\text{1}}} = \left\langle {{V_{\text{1}}},\;{E_{\text{1}}}} \right\rangle $和$ {G_2} = \left\langle {{V_{\text{2}}},\;{E_{\text{2}}}} \right\rangle $是两个无向图, 每个顶点最多有一个自环, $ \left| {{V_1}} \right| = \left| {{V_2}} \right| = n \ge 2 $, $ {A_1} $与$ {A_2} $分别是$ {G_1} $和$ {G_2} $的邻接矩阵, 则$ {G_1} \cong {G_2} $的充要条件是$ {f_\lambda }({A_1} + {A_n}) = {f_\lambda }({A_2} + {A_n}) $.

    证明. 设$ {f_\lambda }({A_1} + {A_n}) = {f_\lambda }({A_2} + {A_n}) $. 给$ {G_1} $和$ {G_2} $中的每两个顶点之间加一条边, 可以得到两个新的无向图$ {\hat G_1} $和$ {\hat G_2} $, 其邻接矩阵分别是$ {A_1} + {A_n} $和$ {A_2} + {A_n} $. 因$ {G_1} $和$ {G_2} $的顶点最多有一个自环, 由定义2可知, $ {A_1} $和$ {A_2} $的对角线元素为0或1 (可以全为0, 也可全为1); 再由定义8可知, $ {A_1} + {A_n} $和$ {A_2} + {A_n} $均是对角线元素为0或1而其他元素均是正整数的对称矩阵, 即$ {A_1} + {A_n} $和$ {A_2} + {A_n} $均是非负整数对称矩阵. 由引理5可知, 当$ {f_\lambda }({A_1} + {A_n}) = {f_\lambda }({A_2} + {A_n}) $时, 存在正交矩阵$ Q \in { T} $, 使得$ {A_1} \;+ {A_n} = {Q^{\text{T}}}({A_2} + {A_n})Q $. 由定理1可知, $ Q \notin \Theta $; 否则, $ {A_1} + {A_n} $将不是非负整数矩阵. 因$ Q \in { T} = \Phi \cup \Theta $且$ Q \notin \Theta $, 故$ Q \in \Phi $. 由此, 存在$ Q \in \Omega $ (或$ - Q \in \Omega $), 使得$ {A_1} + {A_n} = {Q^{\text{T}}}({A_2} + {A_n})Q $; 再由推论2可知, $ {G_1} \cong {G_2} $.

    设$ {G_1} \cong {G_2} $. 因$ {G_1} \cong {G_2} $, 故存在$ n $阶置换矩阵$ Q \in \Omega $, 使得$ {A_1} = {Q^{\text{T}}}{A_2}Q $. 由推论2的证明结果可知, $ {A_n} = {Q^{\text{T}}}{A_n}Q $. 由此, $ {A_1} + {A_n} = $$ {Q^{\text{T}}}({A_2} + {A_n})Q $, $ {f_\lambda }({A_1} + {A_n}) = {f_\lambda }({A_2} + {A_n}) $.

    需要说明的是: 1) 定理2既适合复杂无向图也适合简单无向图, 既适合连通无向图也适合不连通无向图; 一言以蔽之, 定理2适合一切无向图. 2) 因求解特征多项式$ {f_\lambda }(A) $的算法复杂度是$ {\mathrm{O}}({n^3}) $[1617], 故使用定理2判定两个无向图是否同构的算法复杂度是$ 2{\mathrm{O}}({n^3}) $.

    引理6[10]. 设$ {G_{\text{1}}} = \left\langle {{V_{\text{1}}},\;{E_{\text{1}}}} \right\rangle $和$ {G_{\text{2}}} = \left\langle {{V_{\text{2}}},\;{E_{\text{2}}}} \right\rangle $是两个简单无向连通图, $ \left| {{V_1}} \right| = \left| {{V_2}} \right| = n \ge {\text{2}} $, $ {D_1} $与$ {D_2} $分别是$ {G_1} $和$ {G_2} $的距离矩阵, 则$ {G_1} \cong {G_2} $的充要条件是$ {f_\lambda }({D_1}) = {f_\lambda }({D_2}) $.

    引理7[18]. 设$ C,\;B \in {{\bf{R}}^{n \times n}} $为对称矩阵, 对一切$ 1 \le i \le n $, $ {\lambda _i}(C) $为$ C $的特征值, $ {\lambda _i}(B) $为$ B $的特征值, 则$ \min {\lambda _i}(B) + {\lambda _i}(C) \le {\lambda _i}(C + B) $$ \le {\lambda _i}(C) \;+ \max {\lambda _i}(B) $.

    设$ G = \left\langle {V,\;E} \right\rangle $是复杂无向连通图, $ V = \{ {v_1}, {v_2},\; \cdots ,\;{v_n}\} $, $ n \ge 2 $: 1) 除去$ G $中顶点上的自环和邻接顶点间的重边(邻接顶点间仅保留一条边), 可以得到一个简单无向连通图$ {G_1} $(称$ {G_1} $为$ G $的主图). 2) $ \forall i \ne j $, 若$ {v_i} $和$ {v_j} $邻接, 除去$ {v_i} $和$ {v_j} $之间的一条边, 其他保持不变, 可以得到另一个无向图$ {G_2} $(称$ {G_2} $为$ G $的附图). 3) 设$ A $为$ G $的邻接矩阵, $ {A_1} $和$ {A_2} $分别是$ {G_1} $和$ {G_2} $的邻接矩阵, $ D $为$ G $的距离矩阵. 由上述假设可知, $ A = {A_1} + {A_2} $. 因复杂无向图中的自环和顶点间的重边对距离没有影响, 由定义6和定义7可知, $ D $既是$ G $也是$ {G_1} $的距离矩阵.

    基于以上的叙述和讨论, 本文给出两个复杂无向图同构的另一个判定条件.

    定理3. 设$ {G_{\text{1}}} = \left\langle {{V_{\text{1}}},\;{E_{\text{1}}}} \right\rangle $和$ {G_{\text{2}}} = $$ \left\langle {{V_{\text{2}}},\;{E_{\text{2}}}} \right\rangle $是两个复杂无向连通图, 每个顶点最多有一个自环, $ \left| {{V_1}} \right| = \left| {{V_2}} \right| = n \ge {\text{2}} $, $ {A_1} $与$ {A_2} $分别是$ {G_1} $和$ {G_2} $的邻接矩阵, $ {D_1} $与$ {D_2} $分别是$ {G_1} $和$ {G_2} $的距离矩阵. 则$ {G_1} \cong {G_2} $的充要条件是$ {f_\lambda }({D_1}) = {f_\lambda }({D_2}) $且$ {f_\lambda }({A_1}) = {f_\lambda }({A_2}) $.

    证明. 设$ {f_\lambda }({D_1}) = {f_\lambda }({D_2}) $且$ {f_\lambda }({A_1}) = $$ {f_\lambda }({A_2}) $. 另设$ {G_{11}} $与$ {G_{12}} $分别是$ {G_1} $的主图和附图, $ {A_{11}} $与$ {A_{12}} $$ ({A_{12}} \ne 0) $分别是$ {G_{11}} $和$ {G_{12}} $的邻接矩阵; $ {G_{21}} $与$ {G_{22}} $分别是$ {G_2} $的主图和附图, $ {A_{21}} $与$ {A_{22}} $$ ({A_{22}} \ne 0) $分别是$ {G_{21}} $和$ {G_{22}} $的邻接矩阵. 由此, 可得: $ {A_1} = {A_{11}} + {A_{12}} $, $ {A_2} = {A_{21}} + {A_{22}} $; $ {D_1} $既是$ {G_1} $也是$ {G_{11}} $的距离矩阵, $ {D_2} $既是$ {G_2} $也是$ {G_{21}} $的距离矩阵. 由引理6可知, 当$ {f_\lambda }({D_1}) = {f_\lambda }({D_2}) $时, $ {G_{11}} \cong {G_{21}} $; 再由引理2可知, 存在$ Q \in \Omega $, 使得$ {A_{11}} = {Q^{\text{T}}}{A_{21}}Q $. 因$ {A_1} $和$ {A_2} $均是实对称矩阵, 且$ {f_\lambda }({A_1}) = {f_\lambda }({A_2}) $, 由引理5可知, 存在$ n $阶正交矩阵$ P \in { T} $, 使得$ {A_1} = {P^{\text{T}}}{A_2}P $, 即$ {A_{11}} + {A_{12}} = {P^{\text{T}}}{A_{21}}P + {P^{\text{T}}}{A_{22}}P $. 综上可知, 当$ {f_\lambda }({D_1}) = {f_\lambda }({D_2}) $且$ {f_\lambda }({A_1}) = {f_\lambda }({A_2}) $时

    $$ {A_{11}} = {Q^{\text{T}}}{A_{21}}Q $$ (1)

    $$ {A_{11}} + {A_{12}} = {P^{\text{T}}}{A_{21}}P + {P^{\text{T}}}{A_{22}}P$$ (2)

    设$ {A_{12}} = {P^{\text{T}}}{A_{22}}P $, 由式(1)和式(2)可得, $ {A_{11}} = {Q^{\text{T}}}{A_{21}}Q $, $ {A_{11}} = {P^{\text{T}}}{A_{21}}P $, 由此, $ P = Q $. 另由式(2)可得, $ {A_{11}} = {P^{\text{T}}}{A_{21}}P + {P^{\text{T}}}{A_{22}}P - {A_{12}} $.

    1) 设$ {H_1} = {P^{\text{T}}}{A_{21}}P $, $ {H_2} = {P^{\text{T}}}{A_{22}}P - {A_{12}} $, 则

    $${A_{11}} = {H_1} + {H_2} $$ (3)

    因$ {H_1} $和$ {H_2} $均是实对称矩阵且$ \lambda ({H_1}) = \lambda ({A_{21}}) $. 由式(3)和引理7可得

    $$ \begin{split} & \min {\lambda _i}({H_2}) + {\lambda _i}({A_{21}}) \le {\lambda _i}({A_{11}}) \le\\& \qquad{\lambda _i}({A_{21}}) +\max {\lambda _i}({H_2}) \end{split} $$ (4)

    2) 设$ {A_{12}} \ne {P^{\text{T}}}{A_{22}}P $, 则$ {H_2} \ne 0 $. 因$ {H_2} $是对称矩阵, 故当$ {H_2} \ne 0 $时, $ \lambda ({H_2}) \ne 0 $. 设$ \min {\lambda _i}({H_2}) = \max {\lambda _i}({H_2}) = h $, 由式(4)可得, $ {\lambda _i}({A_{11}}) = {\lambda _i}({A_{21}}) \;+ h $. 若$ \lambda ({A_{11}}) = \lambda ({A_{21}}) $, 则$ h = 0 $, $ \lambda ({H_2}) = 0 $, $ {A_{12}} = {P^{\text{T}}}{A_{22}}P $, 与假设矛盾; 若$ \lambda ({A_{11}}) \ne \lambda ({A_{21}}) $, 则与式(1)矛盾. 设$ {\lambda _i}({A_{11}}) \le $$ {\lambda _i}({A_{21}}) + \max {\lambda _i}({H_2})\; ({\lambda _i}({A_{11}}) \ge {\lambda _i}({A_{21}}) + \min {\lambda _i}({H_2})) $, 若$ \lambda ({A_{11}}) \ne \lambda ({A_{21}}) $, 则与$ {A_{11}} = {Q^{\text{T}}}{A_{21}}Q $矛盾; 若$ \lambda ({A_{11}}) = \lambda ({A_{21}}) $, 则由引理5可得, $ {A_{11}} = {P^{\text{T}}}{A_{21}}P $$ (P \in { T}) $. 由此, ${A_{11}} = {P^{\text{T}}}{A_{21}}P,\; {A_{11}} = {Q^{\text{T}}}{A_{21}}Q $, $ P = Q $. 而当$ P = Q $时, 由式(1)和式(2)可得, $ {A_{12}} = {P^{\text{T}}}{A_{22}}P $, 与$ {A_{12}} \ne {P^{\text{T}}}{A_{22}}P $的假设矛盾. 总之, $ {A_{12}} \ne {P^{\text{T}}}{A_{22}}P $的假设不成立.

    综上可知: 当$ {A_{12}} = {P^{\text{T}}}{A_{22}}P $时, $ P = Q $; 由式(2)可得$ {A_1} = {Q^{\text{T}}}{A_2}Q $, 再由引理2可得, $ {G_1} \cong {G_2} $.

    设$ {G_1} \cong {G_2} $. 由引理2可知, 存在$ n $阶置换矩阵$ Q \in \Omega $, 使得$ {A_1} = {Q^{\text{T}}}{A_2}Q $. 因$ {G_1} $和$ {G_2} $均是复杂无向连通图, 如充分性证明可设, $ {A_1} = {A_{11}} + {A_{12}} $, $ {A_2} = {A_{21}} + {A_{22}} $, 由此, $ {A_{11}} + {A_{12}} = {Q^{\text{T}}}({A_{21}} + {A_{22}})Q $. 因$ Q $是正交矩阵, 故$ {f_\lambda }({A_1}) = {f_\lambda }({A_2}) $. 设$ {A_{11}} \ne {Q^{\text{T}}}{A_{21}}Q $, 则简单无向连通图$ {G_{11}} $和$ {G_{21}} $不同构, 进而可得$ {G_1} $和$ {G_2} $不同构, 与假设矛盾. 当$ {A_{11}} = {Q^{\text{T}}}{A_{21}}Q $时, 由引理2可知, $ {G_{11}} \cong {G_{21}} $; 再由引理6可得, $ {f_\lambda }({D_1}) = {f_\lambda }({D_2}) $. 综上, 当$ {G_1} \cong {G_2} $时, $ {f_\lambda }({D_1}) = {f_\lambda }({D_2}) $且$ {f_\lambda }({A_1}) = {f_\lambda }({A_2}) $.

    比较引理6和定理3可知, 简单无向连通图的同构条件不同于复杂无向连通图的同构条件.

    由定理3的证明过程可知, 当定理3中的$ {G_1} $和$ {G_2} $均是简单无向连通图时, $ {G_1} = {G_{11}} $, $ {G_2} = {G_{21}} $, $ {A_{12}} = {A_{22}} = 0 $, $ {A_1} = {A_{11}} $, $ {A_2} = {A_{21}} $. 由引理6可知: 当$ {f_\lambda }({D_1}) = {f_\lambda }({D_2}) $时, $ {G_1} \cong {G_2} $; 再由引理2可知, 存在$ Q \in \Omega $, 使得$ {A_1} = {Q^{\text{T}}}{A_2}Q $, 进而可得$ {f_\lambda }({A_1}) = {f_\lambda }({A_2}) $. 由此, 当$ {G_1} $和$ {G_2} $均是简单无向连通图时, 定理3中的条件可简化为$ {f_\lambda }({D_1}) = {f_\lambda }({D_2}) $; 定理3退化为引理6. 这表明定理3也适合简单无向连通图.

    因为求解距离矩阵$ D $的算法复杂度是$ {\mathrm{O}}({n^3}) $[1213], 求解特征多项式的算法复杂度是$ {\mathrm{O}}({n^3}) $[1617], 故定理3判定条件的算法复杂度是$ 4{\mathrm{O}}({n^3}) $.

    设$ {G_1} $和$ {G_2} $是两个复杂无向不连通图且分别由$ m $个连通子图$ {G_{ij}} $$ (i = 1,\;2;{\text{ }}1 \le j \le m) $组成, $ {G_1} $与$ {G_2} $同构是指$ {G_1} $中的连通子图$ {G_{1j}} $与$ {G_2} $中的连通子图$ {G_{2j}} $一一对应同构. 不难理解, 将定理3用于复杂无向不连通图的各个连通子图, 就可解决复杂无向不连通图的同构判定问题.

    比较定理2和定理3可知: 1) 定理2适合一切无向图, 而定理3仅适合复杂无向连通图; 2) 若将定理2限定在复杂无向连通图上, 则定理2与定理3等价; 3) 就一般复杂无向图的同构判定问题而言, 定理2比定理3具有更低的算法复杂度, 因此也更便于实际应用.

    例1[10, 15]. 判定图1中下列各组对应图是否同构.

    图 1  例1中的各对应图
    Fig. 1  Corresponding figures of Example 1

    1) $ {G_1} $和$ {G_2} $均是复杂无向连通图. 设$ {G_1} $和$ {G_2} $的邻接矩阵分别是$ {A_{11}} $和$ {A_{12}} $, 距离矩阵分别是$ {D_1} $和$ {D_2} $. 按图中顶点标号, 经计算可得

    $$ {A_{11}} = \left[ {\begin{array}{*{20}{c}} 1&1&1 \\ 1&1&1 \\ 1&1&1 \end{array}} \right] ,\; {A_{12}} = \left[ {\begin{array}{*{20}{c}} 1&1&1 \\ 1&0&2 \\ 1&2&0 \end{array}} \right] $$
    $$ {D_1} = {D_2} = \left[ {\begin{array}{*{20}{c}} 0&1&1 \\ 1&0&1 \\ 1&1&0 \end{array}} \right] $$
    $$ {f_\lambda }({A_{11}} + {A_3}) = {\lambda ^3} - 3{\lambda ^2} - 9\lambda - 5\qquad\qquad $$
    $$ {f_\lambda }({A_{12}} + {A_3}) = {\lambda ^3} - {\lambda ^2} - 17\lambda - 15 \qquad\quad\;\;$$
    $$ {f_\lambda }({A_{11}}) = {\lambda ^3} - 3{\lambda ^2}, {f_\lambda }({A_{12}}) = {\lambda ^3} - {\lambda ^2} - 6\lambda$$

    其中, $ {A_3} $是3顶点无向完全图的邻接矩阵.

    因$ {f_\lambda }({A_{11}} + {A_3}) \ne {f_\lambda }({A_{12}} + {A_3}) $, 由定理2可以判定$ {G_1} $和$ {G_2} $不同构. 因$ {f_\lambda }({D_1}) = {f_\lambda }({D_2}) $, 但$ {f_\lambda }({A_{11}}) \ne {f_\lambda }({A_{12}}) $, 由推论1和定理3均可判定$ {G_1} $和$ {G_2} $不同构.

    2) $ {G_3} $和$ {G_4} $均是复杂无向连通图. 设$ {G_3} $的邻接矩阵和距离矩阵分别是$ {A_{31}} $和$ {D_3} $, $ {G_4} $的邻接矩阵和距离矩阵分别是$ {A_{41}} $和$ {D_4} $. 按图中顶点标号, 经计算可得

    $$ {A_{31}} = {A_{41}} = \left[ {\begin{array}{*{20}{c}} 1&0&0&0&0&1&1&1 \\ 0&0&0&0&2&0&1&1 \\ 0&0&0&1&0&1&0&1 \\ 0&0&1&0&1&0&1&0 \\ 0&2&0&1&0&1&0&0 \\ 1&0&1&0&1&0&0&0 \\ 1&1&0&1&0&0&0&0 \\ 1&1&1&0&0&0&0&0 \end{array}} \right] $$
    $$ {D_3} = {D_4} = \left[ {\begin{array}{*{20}{c}} 0&2&2&2&2&1&1&1 \\ 2&0&2&2&1&2&1&1 \\ 2&2&0&1&2&1&2&1 \\ 2&2&1&0&1&2&1&2 \\ 2&1&2&1&0&1&2&2 \\ 1&2&1&2&1&0&2&2 \\ 1&1&2&1&2&2&0&2 \\ 1&1&1&2&2&2&2&0 \end{array}} \right] $$

    设$ {A_8} $是8顶点无向完全图的邻接矩阵. 因$ {f_\lambda }({A_{31}} + {A_8}) = {f_\lambda }({A_{41}} + {A_8}) $, 由定理2可以判定$ {G_3} \cong {G_4} $. 因$ {f_\lambda }({D_3}) = {f_\lambda }({D_4}) $且$ {f_\lambda }({A_{31}}) = $$ {f_\lambda }({A_{41}}) $, 故由定理3亦可判定$ {G_3} \cong {G_4} $.

    3) $ {G_5} $和$ {G_6} $均是复杂无向连通图. 设$ {G_5} $的邻接矩阵和距离矩阵分别是$ {A_{51}} $和$ {D_5} $, $ {G_6} $的邻接矩阵和距离矩阵分别是$ {A_{61}} $和$ {D_6} $. 按图中顶点标号, 经计算可得

    $$ {A_{51}} = {A_{61}} = \left[ {\begin{array}{*{20}{c}} 1&0&0&1&1&1 \\ 0&0&0&1&1&1 \\ 0&0&0&1&1&2 \\ 1&1&1&0&0&0 \\ 1&1&1&0&0&0 \\ 1&1&2&0&0&0 \end{array}} \right] $$
    $$ {D_5} = {D_6} = \left[ {\begin{array}{*{20}{c}} 0&2&2&1&1&1 \\ 2&0&2&1&1&1 \\ 2&2&0&1&1&1 \\ 1&1&1&0&2&2 \\ 1&1&1&2&0&2 \\ 1&1&1&2&2&0 \end{array}} \right] $$

    设$ {A_6} $是6顶点无向完全图的邻接矩阵. 因$ {f_\lambda }({A_{51}} + {A_6}) = {f_\lambda }({A_{61}} + {A_6}) $, 由定理2可以判定$ {G_5} \cong {G_6} $. 因$ {f_\lambda }({A_{51}}) = {f_\lambda }({A_{61}}) $且$ {f_\lambda }({D_5}) = $$ {f_\lambda }({D_6}) $, 由定理3亦可判定$ {G_5} \cong {G_6} $.

    4) $ {G_7} $和$ {G_8} $均是无向树. 设$ {G_7} $和$ {G_8} $的邻接矩阵分别是$ {A_{71}} $和$ {A_{81}} $, 距离矩阵分别是$ {D_7} $和$ {D_8} $. 按图中顶点标号, 经计算可得

    $$ {A_{71}} = \left[ {\begin{array}{*{20}{c}} 0&1&1&1&1&0&0&0 \\ 1&0&0&0&0&1&1&1 \\ 1&0&0&0&0&0&0&0 \\ 1&0&0&0&0&0&0&0 \\ 1&0&0&0&0&0&0&0 \\ 0&1&0&0&0&0&0&0 \\ 0&1&0&0&0&0&0&0 \\ 0&1&0&0&0&0&0&0 \end{array}} \right] \; $$
    $$ {A_{81}} = \left[ {\begin{array}{*{20}{c}} 0&1&1&1&1&1&0&0 \\ 1&0&0&0&0&0&0&0 \\ 1&0&0&0&0&0&0&0 \\ 1&0&0&0&0&0&0&0 \\ 1&0&0&0&0&0&0&0 \\ 1&0&0&0&0&0&1&0 \\ 0&0&0&0&0&1&0&1 \\ 0&0&0&0&0&0&1&0 \end{array}} \right] $$
    $$ {D_7} = \left[ {\begin{array}{*{20}{c}} 0&1&1&1&1&2&2&2 \\ 1&0&2&2&2&1&1&1 \\ 1&2&0&2&2&3&3&3 \\ 1&2&2&0&2&3&3&3 \\ 1&2&2&2&0&3&3&3 \\ 2&1&3&3&3&0&2&2 \\ 2&1&3&3&3&2&0&2 \\ 2&1&3&3&3&2&2&0 \end{array}} \right] $$
    $$ {D_8} = \left[ {\begin{array}{*{20}{c}} 0&1&1&1&1&1&2&3 \\ 1&0&2&2&2&2&3&4 \\ 1&2&0&2&2&2&3&4 \\ 1&2&2&0&2&2&3&4 \\ 1&2&2&2&0&2&3&4 \\ 1&2&2&2&2&0&1&2 \\ 2&3&3&3&3&1&0&1 \\ 3&4&4&4&4&2&1&0 \end{array}} \right] $$

    设$ {A_8} $是8顶点无向完全图的邻接矩阵, 可得$ \det ({A_{71}} + {A_8}) = 17 $, $ \det ({A_{81}} + {A_8}) = 21 $. 由此, $ {f_\lambda }({A_{71}} + {A_8}) \ne {f_\lambda }({A_{81}} + {A_8}) $, 由定理2可以判定$ {G_7} $和$ {G_8} $不同构. 另外, 还可求得: $ {f_\lambda }({A_{71}}) = {f_\lambda }({A_{81}}) = {\lambda ^8} - 7{\lambda ^6} + 9{\lambda ^4} $; $ \det ({D_7}) = $$- 1\,048$, $\det ({D_8}) = 1\,600$. 因$ \det ({D_7}) \ne \det ({D_8}) $, 故$ {f_\lambda }({D_7}) \ne {f_\lambda }({D_8}) $. 由此, $ {f_\lambda }({A_{71}}) = {f_\lambda }({A_{81}}) $, 但$ {f_\lambda }({D_7}) \ne {f_\lambda }({D_8}) $, 由定理3可以判定$ {G_7} $和$ {G_8} $不同构.

    图的同构关系是一种等价关系, 凡与图的结构相关的分类、聚类、识别和学习等问题均与图的同构判定问题有关. 时至今日, 图的同构判定问题仍然具有重要的理论和应用价值.

    文献[10]将基于邻接矩阵的同构判定条件(引理2)推广到简单无向图距离矩阵(引理6和引理7), 解决了简单无向图的同构判定问题. 但引理6和引理7不能用于复杂无向图的同构判定, 原因在于复杂无向图的同构关系不能由其距离矩阵唯一确定.

    本文的主要思路和贡献可概括为: 1) 证明了对角线元素为0或1而其他元素均为正整数的对称矩阵在非同构正交变换下不再是非负整数对称矩阵(定理1); 利用无向完全图邻接矩阵在矩阵同构变换下保持不变的特性, 给出了引理2的另一种等价表示(推论2); 基于定理1和推论2, 给出了基于邻接矩阵之和的特征多项式判定条件(定理2). 2) 针对复杂无向连通图的同构判定问题, 使用图及邻接矩阵的分解方法, 给出了基于邻接矩阵特征多项式和距离矩阵特征多项式的同构判定条件(定理3). 将该条件用于复杂无向不连通图的各个连通子图, 就可解决复杂无向不连通图的同构判定问题. 定理2和定理3中的判定条件均是充要条件且均具有多项式时间复杂度. 需要再次说明的是: 定理2所给的判定条件具有一般普适性, 即对任意的简单、复杂(每一顶点最多允许有一个自环)、连通和不连通无向图均适用; 定理3既适合复杂无向连通图也适合简单无向连通图.

    与文献[10]中的结果相比, 定理2和定理3是无向图同构研究方面的又一重要进展. 定理2和定理3的另一理论价值表明, 无向图的同构判定问题是 P 问题. 需要说明的是, 虽然我们解决了无向图的同构判定问题, 但有向图的同构判定是 P 问题还是 NP 问题仍然没有得到解决.

    今后我们将针对有向图的同构判定问题开展研究, 期望得到一些有理论和实用价值的新结果.

  • 图  1  FT-DMOEA的流程图

    Fig.  1  Flowchart of FT-DMOEA

    图  2  FT-DMOEA与其他算法在测试函数集上的表现性能显著性差异(越接近白色表示均值差异越明显)

    Fig.  2  The performance significant differences obtained by FT-DMOEA and other algorithms on the benchmark suite (The closer the region color is to white, the greater the difference in the mean)

    图  3  DMOA、SGEA和FTMOA在FDA1、FDA2和FDA3上获得的POFs

    Fig.  3  POFs obtained by DMOA, SGEA, and FTMOA on FDA1, FDA2, and FDA3

    图  4  DMOA、SGEA和FTMOA在FDA测试函数集上获得的平均IGD演化曲线

    Fig.  4  Average IGD evolution curves obtained by DMOA, SGEA, and FTMOA on FDA benchmark suite

    图  5  使用不同$r$的FT-DMOEA在DF测试函数集上获得的平均MIGD值

    Fig.  5  Mean MIGD values obtained by FT-DMOEA with different parameters r on DF benchmark suite

    表  1  FDA测试函数集与DF测试函数集的问题特征与变化类型

    Table  1  The problem features and types of variations in the FDA benchmark suite and the DF benchmark suite

    问题名目标数变化类型问题特征
    FDA12类型1POS随时间改变
    FDA22类型3POF凹凸变化
    FDA32类型2POF中解的分布随时间变化
    FDA43类型1POS随时间改变
    FDA53类型2POF中解的分布随时间变化
    DF12类型2POF凹凸变化
    DF22类型1POS随时间改变
    DF32类型2决策变量相关, POF凹凸变化
    DF42类型2决策变量相关, POF范围和POS边界随时间变化
    DF52类型2拐点的数量随时间改变, POF形状随时间变化
    DF62类型2多模态, POF形状具有拐点区域和长尾特征
    DF72类型2POS改变但质心不变, POF范围随时间变化
    DF82类型2POS改变但质心不变, 决策变量相关
    DF92类型2决策变量相关, POF的连续性随时间变化
    DF103类型2POS改变但质心不变, 决策变量相关, POF凹凸变化
    DF113类型2决策变量相关, POF的区域范围随时间变化
    DF123类型1决策变量相关, POF存在随时间变化的孔洞
    DF133类型2不连续性, 断开的POF段数量随时间变化
    DF143类型2决策变量相关, POF退化性, 拐点的数量随时间变化
    下载: 导出CSV

    表  2  FT-DMOEA与四种对比算法在DF测试函数集上获得的MIGD指标的平均值和标准差值的统计结果

    Table  2  Statistical results of mean and standard deviation values of MIGD metric obtained by FT-DMOEA and four comparative algorithms on the DF benchmark suite

    测试
    问题
    $n_{t}$, $\tau_{t}$ DNSGAII-B CR-DNSGAII KT-DMOEA HRS-DMOA FT-DMOEA
    DF1 5, 10 0.430 5 ± 1.18 ×$10^{-1}$ 0.084 9 ± 1.22 ×$10^{-2}$ 0.142 7 ± 2.17 ×$10^{-2}$ 0.074 0 ± 1.62 ×$10^{-2}$ 0.024 8 ± 3.94 ×$10^{-3}$
    10, 5 2.323 2 ± 7.40 ×$10^{-1}$ 0.110 2 ± 5.41 ×$10^{-2}$ 0.132 6 ± 2.27 ×$10^{-2}$ 0.085 9 ± 1.94 ×$10^{-2}$ 0.016 6 ± 2.10 ×$10^{-3}$
    10, 10 2.092 3 ± 6.29 ×$10^{-1}$ 0.103 8 ± 2.54 ×$10^{-2}$ 0.126 1 ± 1.94 ×$10^{-2}$ 0.088 4 ± 1.80 ×$10^{-2}$ 0.016 7 ± 3.11 ×$10^{-3}$
    DF2 5, 10 0.266 7 ± 7.12 ×$10^{-2}$ 0.024 2 ± 4.11 ×$10^{-3}$ 0.109 3 ± 1.29 ×$10^{-2}$ 0.050 5 ± 1.68 ×$10^{-2}$ 0.047 2 ± 9.43 ×$10^{-3}$
    10, 5 1.233 8 ± 5.04 ×$10^{-1}$ 0.034 7 ± 1.87 ×$10^{-2}$ 0.119 6 ± 1.04 ×$10^{-2}$ 0.041 9 ± 1.31 ×$10^{-2}$ 0.036 8 ± 8.36 ×$10^{-3}$
    10, 10 1.345 8 ± 5.50 ×$10^{-1}$ 0.040 2 ± 1.66 ×$10^{-2}$ 0.109 5 ± 1.09 ×$10^{-2}$ 0.048 2 ± 1.37 ×$10^{-2}$ 0.037 5 ± 6.50 ×$10^{-3}$
    DF3 5, 10 0.834 4 ± 1.86 ×$10^{-1}$ 0.639 3 ± 3.50 ×$10^{-1}$ 0.836 6 ± 8.29 ×$10^{-2}$ 0.518 2 ± 1.33 ×$10^{-1}$ 0.050 1 ± 1.12 ×$10^{-2}$
    10, 5 2.444 3 ± 8.07 ×$10^{-1}$ 0.380 7 ± 7.25 ×$10^{-2}$ 0.735 0 ± 1.24 ×$10^{-1}$ 0.568 0 ± 1.44 ×$10^{-1}$ 0.039 1 ± 7.27 ×$10^{-3}$
    10, 10 2.717 8 ± 7.92 ×$10^{-1}$ 0.394 3 ± 1.18 ×$10^{-1}$ 0.712 8 ± 9.16 ×$10^{-2}$ 0.591 6 ± 1.57 ×$10^{-1}$ 0.040 6 ± 7.75 ×$10^{-3}$
    DF4 5, 10 1.636 0 ± 2.44 ×$10^{-1}$ 1.274 2 ± 1.41 ×$10^{-1}$ 1.623 1 ± 1.43 ×$10^{-1}$ 0.362 0 ± 7.49 ×$10^{-2}$ 0.111 0 ± 1.07 ×$10^{-2}$
    10, 5 1.860 1 ± 3.52 ×$10^{-1}$ 1.329 6 ± 1.47 ×$10^{-1}$ 1.710 9 ± 9.97 ×$10^{-2}$ 0.429 6 ± 6.97 ×$10^{-2}$ 0.108 3 ± 8.49 ×$10^{-3}$
    10, 10 1.713 3 ± 3.27 ×$10^{-1}$ 1.368 4 ± 1.81 ×$10^{-1}$ 1.708 9 ± 1.14 ×$10^{-1}$ 0.431 0 ± 7.83 ×$10^{-2}$ 0.114 4 ± 8.83 ×$10^{-3}$
    DF5 5, 10 0.330 9 ± 5.93 ×$10^{-2}$ 0.069 8 ± 5.30 ×$10^{-2}$ 0.406 0 ± 4.98 ×$10^{-2}$ 0.036 1 ± 7.22 ×$10^{-3}$ 0.016 9 ± 2.47 ×$10^{-3}$
    10, 5 1.510 3 ± 5.20 ×$10^{-1}$ 0.059 4 ± 2.09 ×$10^{-2}$ 0.362 3 ± 6.79 ×$10^{-2}$ 0.036 7 ± 9.04 ×$10^{-3}$ 0.015 5 ± 2.54 ×$10^{-3}$
    10, 10 1.496 0 ± 4.17 ×$10^{-1}$ 0.065 5 ± 4.32 ×$10^{-2}$ 0.350 1 ± 6.63 ×$10^{-2}$ 0.036 6 ± 5.65 ×$10^{-3}$ 0.015 5 ± 3.10 ×$10^{-3}$
    DF6 5, 10 6.276 0 ± 1.45 ×$10^{0}$ 2.780 8 ± 2.50 ×$10^{0}$ 3.269 4 ± 3.06 ×$10^{-1}$ 1.530 2 ± 6.95 ×$10^{-1}$ 0.677 7 ± 2.68 ×$10^{-1}$
    10, 5 1.825 8 ± 6.45 ×$10^{-1}$ 5.904 6 ± 4.39 ×$10^{0}$ 3.791 6 ± 4.24 ×$10^{-1}$ 1.778 4 ± 6.44 ×$10^{-1}$ 0.935 7 ± 5.40 ×$10^{-1}$
    10, 10 1.876 8 ± 1.04 ×$10^{0}$ 6.877 3 ± 3.12 ×$10^{0}$ 3.917 2 ± 3.90 ×$10^{-1}$ 1.206 6 ± 6.06 ×$10^{-1}$ 0.751 4 ± 3.15 ×$10^{-1}$
    DF7 5, 10 2.857 8 ± 5.82 ×$10^{-1}$ 2.355 3 ± 7.25 ×$10^{-1}$ 2.938 0 ± 7.64 ×$10^{-1}$ 0.909 4 ± 2.12 ×$10^{-1}$ 37.663 0 ± 4.45 ×$10^{1}$
    10, 5 1.120 9 ± 1.35 ×$10^{-1}$ 9.100 2 ± 7.34 ×$10^{0}$ 4.445 3 ± 7.07 ×$10^{-1}$ 1.228 6 ± 1.74 ×$10^{-1}$ 13.374 3 ± 1.84 ×$10^{1}$
    10, 10 1.115 4 ± 1.53 ×$10^{-1}$ 5.756 8 ± 2.25 ×$10^{0}$ 2.967 1 ± 4.29 ×$10^{-1}$ 1.129 8 ± 1.53 ×$10^{-1}$ 105.840 0 ± 1.19 ×$10^{2}$
    DF8 5, 10 0.302 3 ± 5.64 ×$10^{-2}$ 0.958 2 ± 1.32 ×$10^{-1}$ 1.093 7 ± 1.53 ×$10^{-2}$ 0.137 3 ± 6.89 ×$10^{-2}$ 0.075 9 ± 5.27 ×$10^{-3}$
    10, 5 0.278 3 ± 5.55 ×$10^{-2}$ 1.082 2 ± 1.38 ×$10^{-1}$ 1.073 6 ± 2.32 ×$10^{-2}$ 0.123 2 ± 3.16 ×$10^{-2}$ 0.070 0 ± 1.39$\times10^{-2}$
    10, 10 0.274 9 ± 5.93 ×$10^{-2}$ 1.035 3 ± 1.20 ×$10^{-1}$ 1.090 4 ± 1.78 ×$10^{-2}$ 0.110 8 ± 3.15 ×$10^{-2}$ 0.072 7 ± 4.83 ×$10^{-3}$
    DF9 5, 10 1.164 3 ± 2.73 ×$10^{-1}$ 0.269 9 ± 1.11 ×$10^{-1}$ 0.677 8 ± 7.75 ×$10^{-2}$ 0.218 9 ± 3.09 ×$10^{-2}$ 0.584 4 ± 6.38 ×$10^{-2}$
    10, 5 1.146 7 ± 2.80 ×$10^{-1}$ 0.279 7 ± 1.12 ×$10^{-1}$ 0.642 7 ± 1.09 ×$10^{-1}$ 0.199 3 ± 3.56 ×$10^{-2}$ 0.795 7 ± 2.47 ×$10^{-1}$
    10, 10 1.089 1 ± 2.99 ×$10^{-1}$ 0.295 3 ± 1.40 ×$10^{-1}$ 0.656 7 ± 8.32 ×$10^{-2}$ 0.196 5 ± 2.64 ×$10^{-2}$ 0.497 2 ± 1.71 ×$10^{-2}$
    DF10 5, 10 0.870 8 ± 1.70 ×$10^{-1}$ 0.434 5 ± 8.85 ×$10^{-2}$ 0.308 6 ± 1.91 ×$10^{-2}$ 0.266 1 ± 7.70 ×$10^{-2}$ 0.246 2 ± 2.48 ×$10^{-2}$
    10, 5 1.281 6 ± 3.47 ×$10^{-1}$ 0.393 3 ± 7.34 ×$10^{-2}$ 0.283 6 ± 2.15 ×$10^{-2}$ 0.328 3 ± 2.28 ×$10^{-2}$ 0.239 0 ± 1.84 ×$10^{-2}$
    10, 10 1.234 8 ± 3.28 ×$10^{-1}$ 0.350 4 ± 6.57 ×$10^{-2}$ 0.294 6 ± 1.33 ×$10^{-2}$ 0.323 0 ± 2.76 ×$10^{-2}$ 0.302 8 ± 2.62 ×$10^{-2}$
    DF11 5, 10 0.771 7 ± 1.56 ×$10^{-1}$ 0.386 8 ± 5.11 ×$10^{-3}$ 0.163 6 ± 5.54 ×$10^{-3}$ 0.149 2 ± 3.68 ×$10^{-3}$ 0.111 7 ± 1.89 ×$10^{-3}$
    10, 5 0.873 0 ± 1.55 ×$10^{-1}$ 0.484 7 ± 8.07 ×$10^{-3}$ 0.163 4 ± 8.18 ×$10^{-3}$ 0.367 7 ± 2.78 ×$10^{-3}$ 0.111 4 ± 2.36 ×$10^{-3}$
    10, 10 0.903 9 ± 9.84 ×$10^{-2}$ 0.477 6 ± 1.52 ×$10^{-2}$ 0.164 3 ± 8.74 ×$10^{-3}$ 0.366 6 ± 2.20 ×$10^{-3}$ 0.111 3 ± 1.36 ×$10^{-3}$
    DF12 5, 10 0.820 8 ± 6.17 ×$10^{-2}$ 0.307 6 ± 1.14 ×$10^{-2}$ 0.609 3 ± 5.28 ×$10^{-2}$ 0.510 8 ± 1.78 ×$10^{-1}$ 4.967 4 ± 4.42 ×$10^{0}$
    10, 5 0.865 6 ± 7.23 ×$10^{-2}$ 0.305 1 ± 3.42 ×$10^{-3}$ 0.632 1 ± 5.39 ×$10^{-2}$ 0.464 3 ± 1.81 ×$10^{-1}$ 2.445 5 ± 2.05 ×$10^{0}$
    10, 10 0.903 6 ± 7.61 ×$10^{-2}$ 0.307 4 ± 3.26 ×$10^{-3}$ 0.635 8 ± 7.12 ×$10^{-2}$ 0.623 6 ± 1.69 ×$10^{-1}$ 4.977 7 ± 4.31 ×$10^{0}$
    DF13 5, 10 0.505 7 ± 1.04 ×$10^{-1}$ 0.255 4 ± 1.82 ×$10^{-2}$ 0.406 7 ± 4.16 ×$10^{-2}$ 0.240 9 ± 7.86 ×$10^{-3}$ 0.270 9 ± 7.57 ×$10^{-3}$
    10, 5 1.674 7 ± 4.90 ×$10^{-1}$ 0.305 2 ± 1.93 ×$10^{-2}$ 0.378 9 ± 3.80 ×$10^{-2}$ 0.255 6 ± 1.20 ×$10^{-2}$ 0.280 0 ± 5.47 ×$10^{-3}$
    10, 10 1.645 0 ± 6.22 ×$10^{-1}$ 0.303 1 ± 9.74 ×$10^{-3}$ 0.374 1 ± 3.30 ×$10^{-2}$ 0.252 7 ± 1.26 ×$10^{-2}$ 0.280 4 ± 3.85 ×$10^{-3}$
    DF14 5, 10 0.412 6 ± 1.07 ×$10^{-1}$ 0.124 6 ± 2.11 ×$10^{-2}$ 0.131 0 ± 1.44 ×$10^{-2}$ 0.097 2 ± 4.35 ×$10^{-3}$ 0.116 9 ± 1.25 ×$10^{-2}$
    10, 5 3.002 8 ± 8.52 ×$10^{-1}$ 0.157 0 ± 2.06 ×$10^{-2}$ 0.125 3 ± 1.16 ×$10^{-2}$ 0.121 6 ± 3.71 ×$10^{-3}$ 0.079 9 ± 2.87 ×$10^{-3}$
    10, 10 3.082 5 ± 1.14 ×$10^{0}$ 0.161 4 ± 2.42 ×$10^{-2}$ 0.121 0 ± 1.32 ×$10^{-2}$ 0.123 1 ± 3.97 ×$10^{-3}$ 0.081 2 ± 3.78 ×$10^{-3}$
    下载: 导出CSV

    表  3  FT-DMOEA与四种对比算法在DF测试函数集上获得的MHV指标的平均值和标准差值的统计结果

    Table  3  Statistical results of mean and standard deviation values of MHV metric obtained by FT-DMOEA and four comparative algorithms on the DF benchmark suite

    测试问题 $n_{t}$, $\tau_{t}$ DNSGAII-B CR-DNSGAII KT-DMOEA HRS-DMOA FT-DMOEA
    DF1 5, 10 0.183 8 ± 5.31 ×$10^{-2}$ 0.450 0 ± 1.54 ×$10^{-2}$ 0.381 1 ± 1.63 ×$10^{-2}$ 0.458 7 ± 3.15 ×$10^{-2}$ 0.507 2 ± 5.70 ×$10^{-3}$
    10, 5 0.008 9 ± 3.60 ×$10^{-2}$ 0.424 1 ± 6.92 ×$10^{-2}$ 0.390 9 ± 1.69 ×$10^{-2}$ 0.463 3 ± 3.03 ×$10^{-2}$ 0.521 4 ± 3.11 ×$10^{-3}$
    10, 10 0.010 8 ± 3.39 ×$10^{-2}$ 0.423 6 ± 3.82 ×$10^{-2}$ 0.394 0 ± 1.57 ×$10^{-2}$ 0.469 7 ± 4.19 ×$10^{-2}$ 0.521 4 ± 4.19 ×$10^{-3}$
    DF2 5, 10 0.231 7 ± 7.41 ×$10^{-2}$ 0.687 2 ± 8.42 ×$10^{-3}$ 0.586 2 ± 1.04 ×$10^{-2}$ 0.699 0 ± 2.31 ×$10^{-2}$ 0.631 3 ± 1.43 ×$10^{-2}$
    10, 5 0.051 6 ± 1.14 ×$10^{-1}$ 0.674 3 ± 2.50 ×$10^{-2}$ 0.589 5 ± 9.76 ×$10^{-3}$ 0.659 5 ± 2.02 ×$10^{-2}$ 0.657 2 ± 5.78 ×$10^{-3}$
    10, 10 0.046 5 ± 8.94 ×$10^{-2}$ 0.666 1 ± 1.66 ×$10^{-2}$ 0.597 6 ± 1.28 ×$10^{-2}$ 0.681 8 ± 1.76 ×$10^{-2}$ 0.660 5 ± 6.43 ×$10^{-3}$
    DF3 5, 10 0.030 5 ± 4.37 ×$10^{-2}$ 0.087 8 ± 7.50 ×$10^{-2}$ 0.149 5 ± 1.06 ×$10^{-2}$ 0.119 6 ± 8.54 ×$10^{-2}$ 0.444 5 ± 1.12 ×$10^{-2}$
    10, 5 0.008 7 ± 3.91 ×$10^{-2}$ 0.162 8 ± 5.45 ×$10^{-2}$ 0.165 5 ± 1.40 ×$10^{-2}$ 0.106 9 ± 6.22 ×$10^{-2}$ 0.456 2 ± 8.62 ×$10^{-3}$
    10, 10 0.005 0 ± 2.33 ×$10^{-3}$ 0.160 9 ± 7.74 ×$10^{-2}$ 0.163 4 ± 7.47 ×$10^{-3}$ 0.130 4 ± 5.94 ×$10^{-2}$ 0.455 4 ± 9.13 ×$10^{-3}$
    DF4 5, 10 0.162 5 ± 3.79 ×$10^{-2}$ 0.601 3 ± 5.63 ×$10^{-2}$ 0.496 0 ± 3.08 ×$10^{-2}$ 0.521 8 ± 3.35 ×$10^{-2}$ 0.697 1 ± 4.72 ×$10^{-3}$
    10, 5 0.148 9 ± 6.04 ×$10^{-2}$ 0.518 5 ± 5.31 ×$10^{-2}$ 0.484 0 ± 3.13 ×$10^{-2}$ 0.519 3 ± 2.72 ×$10^{-2}$ 0.698 1 ± 3.55 ×$10^{-3}$
    10, 10 0.181 3 ± 5.76 ×$10^{-2}$ 0.570 9 ± 5.39 ×$10^{-2}$ 0.470 5 ± 3.54 ×$10^{-2}$ 0.521 6 ± 2.87 ×$10^{-2}$ 0.697 4 ± 3.46 ×$10^{-3}$
    DF5 5, 10 0.253 8 ± 4.22 ×$10^{-2}$ 0.497 1 ± 5.73 ×$10^{-2}$ 0.233 5 ± 2.46 ×$10^{-2}$ 0.529 3 ± 1.22 ×$10^{-2}$ 0.559 7 ± 3.16 ×$10^{-3}$
    10, 5 0.028 2 ± 6.65 ×$10^{-2}$ 0.499 9 ± 3.00 ×$10^{-2}$ 0.271 9 ± 2.37 ×$10^{-2}$ 0.530 6 ± 1.69 ×$10^{-2}$ 0.562 9 ± 3.25 ×$10^{-3}$
    10, 10 0.016 6 ± 4.68 ×$10^{-2}$ 0.493 2 ± 5.37 ×$10^{-2}$ 0.277 7 ± 2.35 ×$10^{-2}$ 0.528 4 ± 1.08 ×$10^{-2}$ 0.562 5 ± 3.68 ×$10^{-3}$
    DF6 5, 10 0.001 2 ± 3.19 ×$10^{-3}$ 0.247 1 ± 4.22 ×$10^{-2}$ 0.027 1 ± 1.19 ×$10^{-2}$ 0.026 8 ± 1.13 ×$10^{-2}$ 0.393 7 ± 7.44 ×$10^{-2}$
    10, 5 0.063 5 ± 9.28 ×$10^{-2}$ 0.174 5 ± 4.44 ×$10^{-2}$ 0.029 9 ± 1.34 ×$10^{-2}$ 0.026 0 ± 9.25 ×$10^{-3}$ 0.381 0 ± 8.23 ×$10^{-2}$
    10, 10 0.078 5 ± 6.97 ×$10^{-2}$ 0.241 2 ± 2.41 ×$10^{-2}$ 0.028 9 ± 1.22 ×$10^{-2}$ 0.027 5 ± 1.22 ×$10^{-2}$ 0.414 9 ± 8.27 ×$10^{-2}$
    DF7 5, 10 0.128 5 ± 3.17 ×$10^{-2}$ 0.012 4 ± 1.25 ×$10^{-2}$ 0.233 4 ± 2.03 ×$10^{-2}$ 0.126 9 ± 1.62 ×$10^{-2}$ 0.420 2 ± 1.60 ×$10^{-1}$
    10, 5 0.140 0 ± 3.17 ×$10^{-2}$ 0.031 5 ± 2.15 ×$10^{-2}$ 0.269 2 ± 3.50 ×$10^{-2}$ 0.134 7 ± 3.30 ×$10^{-2}$ 0.422 4 ± 2.31 ×$10^{-2}$
    10, 10 0.139 8 ± 2.99 ×$10^{-2}$ 0.037 9 ± 1.78 ×$10^{-2}$ 0.247 1 ± 2.12 ×$10^{-2}$ 0.138 2 ± 2.96 ×$10^{-2}$ 0.534 8 ± 1.14 ×$10^{-1}$
    DF8 5, 10 0.690 9 ± 3.88 ×$10^{-2}$ 0.934 0 ± 1.51 ×$10^{-2}$ 0.911 5 ± 6.78 ×$10^{-3}$ 0.953 2 ± 1.28 ×$10^{-2}$ 0.592 1 ± 2.18 ×$10^{-3}$
    10, 5 0.648 4 ± 5.18 ×$10^{-2}$ 0.943 9 ± 1.84 ×$10^{-2}$ 0.913 3 ± 5.97 ×$10^{-3}$ 0.944 2 ± 1.69 ×$10^{-2}$ 0.604 6 ± 2.60 ×$10^{-3}$
    10, 10 0.644 5 ± 3.04 ×$10^{-2}$ 0.940 2 ± 1.69 ×$10^{-2}$ 0.912 3 ± 7.45 ×$10^{-3}$ 0.925 5 ± 1.82 ×$10^{-2}$ 0.604 7 ± 3.06 ×$10^{-3}$
    DF9 5, 10 0.055 5 ± 3.79 ×$10^{-2}$ 0.323 2 ± 9.77 ×$10^{-2}$ 0.169 8 ± 1.88 ×$10^{-2}$ 0.316 1 ± 3.47 ×$10^{-2}$ 0.163 9 ± 1.81 ×$10^{-2}$
    10, 5 0.049 5 ± 3.63 ×$10^{-2}$ 0.302 0 ± 9.94 ×$10^{-2}$ 0.195 8 ± 2.34 ×$10^{-2}$ 0.339 1 ± 4.16 ×$10^{-2}$ 0.195 4 ± 4.46 ×$10^{-2}$
    10, 10 0.063 4 ± 4.50 ×$10^{-2}$ 0.275 3 ± 1.20 ×$10^{-1}$ 0.184 2 ± 1.53 ×$10^{-2}$ 0.344 3 ± 3.07 ×$10^{-2}$ 0.250 1 ± 3.04 ×$10^{-2}$
    DF10 5, 10 0.037 1 ± 1.37 ×$10^{-1}$ 0.911 5 ± 3.26 ×$10^{-2}$ 0.614 2 ± 2.17 ×$10^{-2}$ 0.879 1 ± 1.36 ×$10^{-1}$ 0.600 0 ± 8.01 ×$10^{-3}$
    10, 5 0.053 0 ± 1.75 ×$10^{-1}$ 0.906 6 ± 1.73 ×$10^{-2}$ 0.660 5 ± 1.57 ×$10^{-2}$ 0.915 0 ± 1.83 ×$10^{-2}$ 0.653 3 ± 8.56 ×$10^{-3}$
    10, 10 0.040 7 ± 1.40 ×$10^{-1}$ 0.916 1 ± 1.81 ×$10^{-2}$ 0.658 1 ± 1.26 ×$10^{-2}$ 0.924 7 ± 1.76 ×$10^{-2}$ 0.637 3 ± 2.43 ×$10^{-2}$
    DF11 5, 10 0.109 3 ± 2.03 ×$10^{-1}$ 0.487 5 ± 8.77 ×$10^{-3}$ 0.219 3 ± 2.94 ×$10^{-3}$ 0.767 0 ± 1.62 ×$10^{-2}$ 0.260 1 ± 4.43 ×$10^{-4}$
    10, 5 0.056 1 ± 1.91 ×$10^{-1}$ 0.635 0 ± 1.03 ×$10^{-2}$ 0.222 4 ± 3.19 ×$10^{-3}$ 0.777 5 ± 9.94 ×$10^{-3}$ 0.263 9 ± 1.52 ×$10^{-3}$
    10, 10 0.054 8 ± 1.90 ×$10^{-1}$ 0.630 7 ± 2.01 ×$10^{-2}$ 0.223 1 ± 2.20 ×$10^{-3}$ 0.772 8 ± 1.65 ×$10^{-2}$ 0.265 5 ± 1.18 ×$10^{-3}$
    DF12 5, 10 0.980 0 ± 1.55 ×$10^{-2}$ 0.896 0 ± 8.09 ×$10^{-3}$ 0.778 4 ± 1.38 ×$10^{-2}$ 0.837 5 ± 3.47 ×$10^{-2}$ 0.377 3 ± 8.04 ×$10^{-2}$
    10, 5 0.948 6 ± 3.99 ×$10^{-2}$ 0.908 9 ± 3.54 ×$10^{-3}$ 0.798 8 ± 6.90 ×$10^{-3}$ 0.837 1 ± 5.48 ×$10^{-2}$ 0.334 8 ± 7.32 ×$10^{-2}$
    10, 10 0.964 9 ± 2.56 ×$10^{-2}$ 0.907 5 ± 6.50 ×$10^{-3}$ 0.795 7 ± 8.83 ×$10^{-3}$ 0.814 1 ± 6.23 ×$10^{-2}$ 0.425 1 ± 1.30 ×$10^{-1}$
    DF13 5, 10 0.464 3 ± 1.16 ×$10^{-1}$ 0.513 5 ± 2.02 ×$10^{-2}$ 0.404 4 ± 2.37 ×$10^{-2}$ 0.454 9 ± 1.63 ×$10^{-2}$ 0.576 2 ± 1.33 ×$10^{-2}$
    10, 5 0.093 3 ± 1.08 ×$10^{-1}$ 0.302 0 ± 2.54 ×$10^{-2}$ 0.422 3 ± 2.17 ×$10^{-2}$ 0.450 6 ± 1.17 ×$10^{-2}$ 0.571 7 ± 6.93 ×$10^{-3}$
    10, 10 0.104 5 ± 1.08 ×$10^{-1}$ 0.295 3 ± 1.99 ×$10^{-2}$ 0.423 2 ± 2.11 ×$10^{-2}$ 0.454 4 ± 6.67 ×$10^{-3}$ 0.576 6 ± 3.31 ×$10^{-3}$
    DF14 5, 10 0.028 1 ± 1.39 ×$10^{-2}$ 0.422 6 ± 3.28 ×$10^{-2}$ 0.406 3 ± 1.91 ×$10^{-2}$ 0.488 4 ± 1.03 ×$10^{-2}$ 0.475 5 ± 1.94 ×$10^{-2}$
    10, 5 0.002 7 ± 1.22 ×$10^{-2}$ 0.411 6 ± 1.59 ×$10^{-2}$ 0.427 6 ± 1.65 ×$10^{-2}$ 0.480 1 ± 9.70 ×$10^{-3}$ 0.569 1 ± 4.24 ×$10^{-3}$
    10, 10 0.001 8 ± 8.25 ×$10^{-3}$ 0.409 6 ± 1.58 ×$10^{-2}$ 0.432 6 ± 1.38 ×$10^{-2}$ 0.479 1 ± 1.01 ×$10^{-2}$ 0.567 6 ± 9.03 ×$10^{-3}$
    下载: 导出CSV

    表  4  FT-DMOEA与三种预测算法在DF测试函数集上获得的MIGD指标的平均值和标准差值的统计结果

    Table  4  Statistical results of mean and standard deviation values of MIGD metric obtained by FT-DMOEA and three prediction algorithms on the DF benchmark suite

    测试问题 $\tau_{t}$, $n_{t}$ PPS-MOEA/D SVR-MOEA/D KF-MOEA/D FT-DMOEA
    DF1 10, 10 0.100 2 ± 6.67 ×$10^{-2}$ 0.092 0 ± 7.72 ×$10^{-2}$ 0.159 4 ± 8.61 ×$10^{-2}$ 0.016 7 ± 3.11 ×$10^{-3}$
    10, 5 0.157 3 ± 1.43 ×$10^{-1}$ 0.099 6 ± 9.21 ×$10^{-2}$ 0.185 9 ± 1.35 ×$10^{-1}$ 0.024 8 ± 3.94 ×$10^{-3}$
    5, 10 0.182 0 ± 1.38 ×$10^{-1}$ 0.141 2 ± 9.07 ×$10^{-2}$ 0.201 9 ± 9.91 ×$10^{-2}$ 0.031 2 ± 4.02 ×$10^{-3}$
    DF2 10, 10 0.075 8 ± 7.61 ×$10^{-2}$ 0.084 6 ± 6.28 ×$10^{-2}$ 0.105 2 ± 5.76 ×$10^{-2}$ 0.037 5 ± 6.50 ×$10^{-3}$
    10, 5 0.119 4 ± 9.53 ×$10^{-2}$ 0.083 7 ± 6.97 ×$10^{-2}$ 0.122 5 ± 9.97 ×$10^{-2}$ 0.047 2 ± 9.43 ×$10^{-3}$
    5, 10 0.122 2 ± 5.90 ×$10^{-2}$ 0.133 5 ± 7.36 ×$10^{-2}$ 0.146 7 ± 7.13 ×$10^{-2}$ 0.087 8 ± 9.36 ×$10^{-3}$
    DF3 10, 10 0.423 3 ± 2.61 ×$10^{-1}$ 0.393 4 ± 2.19 ×$10^{-1}$ 0.366 3 ± 1.64 ×$10^{-1}$ 0.040 6 ± 7.75 ×$10^{-3}$
    10, 5 0.419 4 ± 2.37 ×$10^{-1}$ 251 917.360 1 ± 1.78 ×$10^{6}$ 0.383 2 ± 2.24 ×$10^{-1}$ 0.050 1 ± 1.12 ×$10^{-2}$
    5, 10 0.476 6 ± 2.83 ×$10^{-1}$ 0.415 3 ± 1.66 ×$10^{-1}$ 0.361 5 ± 1.50 ×$10^{-1}$ 0.065 2 ± 1.28 ×$10^{-2}$
    DF4 10, 10 0.956 7 ± 5.86 ×$10^{-1}$ 1.087 1 ± 6.54 ×$10^{-1}$ 1.299 5 ± 8.17 ×$10^{-1}$ 0.114 4 ± 8.83 ×$10^{-3}$
    10, 5 1.012 5 ± 5.70 ×$10^{-1}$ 1.113 3 ± 7.08 ×$10^{-1}$ 1.201 9 ± 6.09 ×$10^{-1}$ 0.111 0 ± 1.07 ×$10^{-2}$
    5, 10 0.996 2 ± 5.71 ×$10^{-1}$ 1.048 8 ± 6.32 ×$10^{-1}$ 1.289 2 ± 7.78 ×$10^{-1}$ 0.127 7 ± 1.15 ×$10^{-2}$
    DF5 10, 10 1.305 9 ± 2.04 ×$10^{0}$ 1 615.366 0 ± 5.92 ×$10^{3}$ 1.303 2 ± 2.04 ×$10^{0}$ 0.015 5 ± 3.10 ×$10^{-3}$
    10, 5 1.358 9 ± 2.01 ×$10^{0}$ 1 427.275 3 ± 9.29 ×$10^{3}$ 1.350 9 ± 2.23 ×$10^{0}$ 0.016 9 ± 2.47 ×$10^{-3}$
    5, 10 1.364 1 ± 2.25 ×$10^{0}$ 52.096 5 ± 3.61 ×$10^{2}$ 1.363 0 ± 1.96 ×$10^{0}$ 0.023 1 ± 2.68 ×$10^{-3}$
    DF6 10, 10 4.057 9 ± 4.60 ×$10^{0}$ 2.938 5 ± 4.38 ×$10^{0}$ 3.148 8 ± 3.41 ×$10^{0}$ 0.751 4 ± 3.15 ×$10^{-1}$
    10, 5 2.907 7 ± 3.33 ×$10^{0}$ 2.788 8 ± 4.77 ×$10^{0}$ 2.989 9 ± 3.28 ×$10^{0}$ 0.677 7 ± 2.68 ×$10^{-1}$
    5, 10 5.411 3 ± 6.42 ×$10^{0}$ 4.153 2 ± 4.82 ×$10^{0}$ 3.765 0 ± 4.81 ×$10^{0}$ 0.988 9 ± 1.46 ×$10^{-1}$
    DF7 10, 10 4.174 4 ± 5.18 ×$10^{0}$ 2.752 9 ± 3.77 ×$10^{0}$ 4.005 4 ± 4.94 ×$10^{0}$ 105.840 0 ± 1.19 ×$10^{2}$
    10, 5 3.601 3 ± 5.32 ×$10^{0}$ 2.627 7 ± 4.30 ×$10^{0}$ 3.349 1 ± 4.19 ×$10^{0}$ 37.663 0 ± 4.45 ×$10^{1}$
    5, 10 5.488 4 ± 6.69 ×$10^{0}$ 3.376 0 ± 4.15 ×$10^{0}$ 3.978 8 ± 4.79 ×$10^{0}$ 47.097 5 ± 6.81 ×$10^{1}$
    DF8 10, 10 1.094 3 ± 5.98 ×$10^{-1}$ 0.977 4 ± 5.21 ×$10^{-1}$ 1.148 6 ± 5.44 ×$10^{-1}$ 0.072 7 ± 4.83 ×$10^{-3}$
    10, 5 1.070 4 ± 4.75 ×$10^{-1}$ 0.981 0 ± 5.19 ×$10^{-1}$ 1.109 5 ± 5.46 ×$10^{-1}$ 0.075 9 ± 5.27 ×$10^{-3}$
    5, 10 1.018 7 ± 5.63 ×$10^{-1}$ 0.907 0 ± 4.97 ×$10^{-1}$ 1.017 4 ± 4.98 ×$10^{-1}$ 0.086 4 ± 8.08 ×$10^{-3}$
    DF9 10, 10 1.754 6 ± 1.75 ×$10^{0}$ 551.812 2 ± 3.83 ×$10^{3}$ 1.684 6 ± 1.62 ×$10^{0}$ 0.497 2 ± 1.71 ×$10^{-2}$
    10, 5 1.468 3 ± 1.41 ×$10^{0}$ 128.944 1 ± 8.88 ×$10^{2}$ 1.430 5 ± 1.38 ×$10^{0}$ 0.584 4 ± 6.38 ×$10^{-2}$
    5, 10 1.770 8 ± 1.85 ×$10^{0}$ 2.656 3 ± 1.94 ×$10^{0}$ 1.681 1 ± 1.49 ×$10^{0}$ 0.842 6 ± 1.42 ×$10^{-1}$
    DF10 10, 10 0.189 1 ± 8.50 ×$10^{-2}$ 64.903 7 ± 2.84 ×$10^{2}$ 0.214 4 ± 1.51 ×$10^{-1}$ 0.302 8 ± 2.62 ×$10^{-2}$
    10, 5 0.251 5 ± 1.37 ×$10^{-1}$ 11.104 9 ± 6.54 ×$10^{1}$ 0.236 6 ± 9.22 ×$10^{-2}$ 0.246 2 ± 2.48 ×$10^{-2}$
    5, 10 0.243 9 ± 1.42 ×$10^{-1}$ 10.869 8 ± 5.26 ×$10^{1}$ 0.241 9 ± 8.71 ×$10^{-2}$ 0.251 4 ± 3.57 ×$10^{-2}$
    DF11 10, 10 0.194 8 ± 7.28 ×$10^{-2}$ 237.626 9 ± 4.57 ×$10^{2}$ 0.185 1 ± 3.45 ×$10^{-2}$ 0.111 3 ± 1.36 ×$10^{-3}$
    10, 5 0.274 3 ± 1.07 ×$10^{-1}$ 372.452 2 ± 8.32 ×$10^{2}$ 0.262 4 ± 7.94 ×$10^{-2}$ 0.111 7 ± 1.89 ×$10^{-3}$
    5, 10 0.214 2 ± 9.17 ×$10^{-2}$ 287.159 9 ± 6.83 ×$10^{2}$ 0.197 5 ± 4.46 ×$10^{-2}$ 0.132 1 ± 2.66 ×$10^{-3}$
    DF12 10, 10 1.177 1 ± 1.13 ×$10^{-1}$ 252.611 5 ± 6.25 ×$10^{2}$ 0.989 0 ± 2.71 ×$10^{-1}$ 4.977 7 ± 4.31 ×$10^{0}$
    10, 5 1.189 1 ± 3.31 ×$10^{-2}$ 288.469 9 ± 6.96 ×$10^{2}$ 0.912 1 ± 3.19 ×$10^{-1}$ 4.967 4 ± 4.42 ×$10^{0}$
    5, 10 1.184 7 ± 5.55 ×$10^{-2}$ 336.943 1 ± 7.04 ×$10^{2}$ 0.959 1 ± 3.05 ×$10^{-1}$ 1.117 5 ± 7.59 ×$10^{-1}$
    DF13 10, 10 1.395 8 ± 1.70 ×$10^{0}$ 1.378 5 ± 1.77 ×$10^{0}$ 1.441 3 ± 1.80 ×$10^{0}$ 0.280 4 ± 3.85 ×$10^{-3}$
    10, 5 1.412 4 ± 1.83 ×$10^{0}$ 1.466 1 ± 1.20 ×$10^{0}$ 1.478 2 ± 1.96 ×$10^{0}$ 0.270 9 ± 7.57 ×$10^{-3}$
    5, 10 1.423 5 ± 1.84 ×$10^{0}$ 1.536 1 ± 1.94 ×$10^{0}$ 1.555 2 ± 2.02 ×$10^{0}$ 0.299 5 ± 5.82 ×$10^{-3}$
    DF14 10, 10 0.865 7 ± 1.31 ×$10^{0}$ 4.188 3 ± 5.27 ×$10^{0}$ 0.906 5 ± 1.37 ×$10^{0}$ 0.081 2 ± 3.78 ×$10^{-3}$
    10, 5 0.873 5 ± 1.30 ×$10^{0}$ 4.440 2 ± 5.48 ×$10^{0}$ 0.919 4 ± 1.32 ×$10^{0}$ 0.116 9 ± 1.25 ×$10^{-2}$
    5, 10 0.886 4 ± 1.35 ×$10^{0}$ 3.694 4 ± 4.41 ×$10^{0}$ 0.978 4 ± 1.46 ×$10^{0}$ 0.091 2 ± 3.26 ×$10^{-3}$
    下载: 导出CSV

    表  5  FT-DMOEA与其他先进对比算法在双目标函数DF1 ~ DF5上获得的MIGD指标的平均值和标准差值的统计结果

    Table  5  Statistical results of mean and standard deviation values of MIGD metric obtained by FT-DMOEA and other advanced algorithms on biobjective functions DF1 ~ DF5

    测试问题 $\tau_{t}$, $n_{t}$ IGP-DMOEA ISVM-DMOEA STT-DMOEA FT-DMOEA
    DF1 10, 5 0.008 8 ± 6.51 ×$10^{-3}$ 0.013 6 ± 1.19 ×$10^{-2}$ 0.010 8 ± 9.08 ×$10^{-3}$ 0.004 3 ± 1.09 ×$10^{-4}$
    5, 10 0.016 7 ± 8.78 ×$10^{-3}$ 0.068 7 ± 1.21 ×$10^{-2}$ 0.014 6 ± 1.81 ×$10^{-3}$ 0.004 2 ± 8.40 ×$10^{-5}$
    DF2 10, 5 0.011 5 ± 1.05 ×$10^{-2}$ 0.013 6 ± 1.57 ×$10^{-3}$ 0.033 6 ± 1.39 ×$10^{-2}$ 0.005 2 ± 1.48 ×$10^{-4}$
    5, 10 0.031 8 ± 1.89 ×$10^{-3}$ 0.098 5 ± 1.16 ×$10^{-2}$ 0.045 5 ± 1.62 ×$10^{-2}$ 0.005 3 ± 1.55 ×$10^{-4}$
    DF3 10, 5 0.021 1 ± 4.24 ×$10^{-3}$ 0.228 8 ± 1.80 ×$10^{-2}$ 0.057 7 ± 1.83 ×$10^{-2}$ 0.007 6 ± 3.46 ×$10^{-4}$
    5, 10 0.040 4 ± 6.65 ×$10^{-3}$ 0.227 6 ± 4.14 ×$10^{-2}$ 0.096 4 ± 8.01 ×$10^{-2}$ 0.006 9 ± 1.61 ×$10^{-4}$
    DF4 10, 5 0.106 7 ± 4.68 ×$10^{-4}$ 0.116 2 ± 2.22 ×$10^{-3}$ 0.103 0 ± 1.16 ×$10^{-3}$ 0.082 2 ± 1.50 ×$10^{-3}$
    5, 10 0.112 3 ± 5.22 ×$10^{-3}$ 0.341 8 ± 3.86 ×$10^{-2}$ 0.105 4 ± 5.62 ×$10^{-3}$ 0.083 2 ± 2.66 ×$10^{-3}$
    DF5 10, 5 0.004 4 ± 2.65 ×$10^{-4}$ 0.005 8 ± 5.69 ×$10^{-4}$ 0.004 1 ± 1.11 ×$10^{-4}$ 0.004 5 ± 4.98 ×$10^{-5}$
    5, 10 0.007 9 ± 1.89 ×$10^{-3}$ 0.085 7 ± 4.17 ×$10^{-2}$ 0.006 4 ± 1.56 ×$10^{-3}$ 0.004 5 ± 9.01 ×$10^{-5}$
    下载: 导出CSV

    表  6  FT-DMOEA与其他先进对比算法在三目标函数DF11 ~ DF14上获得的MIGD指标的平均值和标准差值的统计结果

    Table  6  Statistical results of mean and standard deviation values of MIGD metric obtained by FT-DMOEA and other advanced algorithms on triobjective functions DF11 ~ DF14

    测试问题 $n_{t}$, $\tau_{t}$ MMTL-DMOEA IT-DMOEA MSTL-DMOEA FT-DMOEA
    DF11 10, 5 0.152 3 ± 6.36 ×$10^{-3}$ 0.143 5 ± 5.72 ×$10^{-3}$ 0.155 1 ± 1.05 ×$10^{-2}$ 0.142 8 ± 2.17 ×$10^{-3}$
    10, 10 0.115 1 ± 3.60 ×$10^{-3}$ 0.115 2 ± 3.60 ×$10^{-3}$ 0.116 8 ± 3.42 ×$10^{-3}$ 0.112 1 ± 1.57 ×$10^{-3}$
    DF12 10, 5 0.318 7 ± 4.21 ×$10^{-2}$ 0.209 0 ± 1.06 ×$10^{-2}$ 0.198 5 ± 1.97 ×$10^{-2}$ 1.182 2 ± 1.44 ×$10^{0}$
    10, 10 0.255 6 ± 2.37 ×$10^{-2}$ 0.158 9 ± 1.29 ×$10^{-2}$ 0.138 4 ± 8.06 ×$10^{-3}$ 0.320 4 ± 1.21 ×$10^{-1}$
    DF13 10, 5 0.269 7 ± 1.39 ×$10^{-2}$ 0.249 1 ± 5.09 ×$10^{-3}$ 0.268 0 ± 1.32 ×$10^{-2}$ 0.298 0 ± 2.29 ×$10^{-2}$
    10, 10 0.264 4 ± 1.34 ×$10^{-2}$ 0.253 2 ± 7.29 ×$10^{-3}$ 0.260 4 ± 1.51 ×$10^{-2}$ 0.252 9 ± 1.24 ×$10^{-2}$
    DF14 10, 5 0.104 2 ± 3.53 ×$10^{-3}$ 0.090 7 ± 2.42 ×$10^{-3}$ 0.111 7 ± 1.02 ×$10^{-2}$ 0.088 4 ± 4.62 ×$10^{-3}$
    10, 10 0.081 7 ± 2.81 ×$10^{-3}$ 0.078 5 ± 1.40 ×$10^{-3}$ 0.084 6 ± 5.06 ×$10^{-3}$ 0.077 1 ± 2.50 ×$10^{-3}$
    下载: 导出CSV

    表  7  FT-DMOEA与KTS-DMOEA在DF问题上获得的MIGD指标的平均值和标准差值的统计结果

    Table  7  Statistical results of mean and standard deviation values of MIGD metric obtained by FT-DMOEA and KTS-DMOEA on the DF problems

    测试问题 $\tau_{t} $, $n_{t} $ KTS-DMOEA FT-DMOEA
    DF3 10, 5 0.262 4 ± 2.87 ×$10^{-2}$ 0.070 8 ± 1.56 ×$10^{-2}$
    10, 10 0.250 4 ± 3.39 ×$10^{-2}$ 0.044 0 ± 1.42 ×$10^{-2}$
    10, 20 0.269 2 ± 2.88 ×$10^{-2}$ 0.040 3 ± 1.22 ×$10^{-2}$
    DF4 10, 5 0.111 0 ± 3.55 ×$10^{-3}$ 0.100 3 ± 1.54 ×$10^{-2}$
    10, 10 0.101 5 ± 2.55 ×$10^{-3}$ 0.110 7 ± 1.01 ×$10^{-2}$
    10, 20 0.090 4 ± 2.81 ×$10^{-3}$ 0.113 3 ± 1.49 ×$10^{-2}$
    DF5 10, 5 0.0453 ± 2.86 ×$10^{-3}$ 0.020 0 ± 4.51 ×$10^{-3}$
    10, 10 0.025 3 ± 1.20 ×$10^{-3}$ 0.015 1 ± 4.01 ×$10^{-3}$
    10, 20 0.017 0 ± 4.34 ×$10^{-4}$ 0.014 0 ± 4.04 ×$10^{-3}$
    DF10 10, 5 0.105 5 ± 6.54 ×$10^{-3}$ 0.284 6 ± 1.08 ×$10^{-2}$
    10, 10 0.110 0 ± 6.72 ×$10^{-3}$ 0.282 9 ± 3.48 ×$10^{-2}$
    10, 20 0.091 1 ± 4.17 ×$10^{-3}$ 0.284 2 ± 2.72 ×$10^{-2}$
    DF11 10, 5 0.216 6 ± 8.03 ×$10^{-4}$ 0.113 7 ± 1.72 ×$10^{-3}$
    10, 10 0.214 6 ± 5.19 ×$10^{-4}$ 0.112 8 ± 1.54 ×$10^{-3}$
    10, 20 0.214 3 ± 2.82 ×$10^{-4}$ 0.113 5 ± 2.99 ×$10^{-3}$
    下载: 导出CSV

    表  8  DMOA、SGEA和FTMOA在FDA测试函数集上获得的MIGD的各项统计结果

    Table  8  Statistical results of MIGD obtained by DMOA, SGEA, and FTMOA on the FDA benchmark suite

    $1 \leq T \leq 30$ $31 \leq T \leq 100$
    测试问题 算法 平均值 中位数 上四分位数 下四分位数 t检验 平均值 中位数 上四分位数 下四分位数 t检验
    FDA1 DMOA 0.024 6 0.023 8 0.016 6 0.031 8 0.023 4 0.024 8 0.014 3 0.031 8
    SGEA 0.015 4 0.016 9 0.010 7 0.018 8 $-$ 0.014 7 0.016 8 0.010 4 0.018 3 $-$
    FTMOA 0.017 2 0.017 2 0.010 7 0.021 1 0.015 3 0.016 9 0.009 7 0.020 0
    FDA2 DMOA 0.017 4 0.012 4 0.009 6 0.021 5 0.014 0 0.012 1 0.008 9 0.013 5
    SGEA 0.016 4 0.011 7 0.008 5 0.019 2 0.013 7 0.011 3 0.008 8 0.013 2
    FTMOA 0.016 2 0.013 5 0.010 8 0.017 1 0.011 5 0.009 3 0.007 7 0.011 2
    FDA3 DMOA 0.050 5 0.032 9 0.022 3 0.044 0 $-$ 0.078 4 0.039 2 0.024 1 0.126 7 $-$
    SGEA 0.045 9 0.0218 0.016 7 0.030 3 $-$ 0.059 8 0.022 6 0.018 3 0.041 9 $-$
    FTMOA 0.067 2 0.020 5 0.017 5 0.046 2 0.093 2 0.024 5 0.016 7 0.109 4
    FDA4 DMOA 0.157 5 0.147 1 0.095 7 0.194 6 0.138 5 0.130 9 0.083 8 0.179 4
    SGEA 0.117 6 0.117 3 0.077 1 0.153 1 0.117 3 0.121 8 0.072 6 0.155 2
    FTMOA 0.109 7 0.102 2 0.079 3 0.135 6 0.105 8 0.108 6 0.072 3 0.130 4
    FDA5 DMOA 0.203 8 0.214 8 0.167 9 0.243 3 0.205 5 0.204 4 0.143 5 0.260 2
    SGEA 0.191 7 0.197 3 0.152 4 0.220 0 0.177 0 0.176 2 0.146 0 0.208 0
    FTMOA 0.149 9 0.146 4 0.133 0 0.162 5 0.150 8 0.150 8 0.131 4 0.165 7
    下载: 导出CSV

    表  9  使用不同参数的FT-DMOEA在DF问题上获得的平均MIGD值

    Table  9  Mean MIGD values obtained by FT-DMOEA with different parameters on DF problems

    $\eta_c,\; p_c$ DF1 DF2 DF3 DF10 DF11
    10, 0.70.052 80.113 60.172 00.250 10.167 3
    10, 0.80.041 30.087 10.081 20.254 20.140 0
    10, 0.90.035 90.084 80.082 50.244 20.134 6
    20, 0.70.048 30.101 60.136 80.270 20.142 5
    20, 0.80.044 10.080 30.120 60.230 90.142 2
    20, 0.90.038 00.089 70.089 00.235 70.140 8
    $\eta_m,\;p_m$DF1DF2DF3DF10DF11
    10, 0.10.034 60.064 20.099 60.236 40.129 8
    10, 0.050.052 60.096 60.122 40.272 90.143 0
    20, 0.10.044 10.090 30.090 60.230 90.122 2
    20, 0.050.064 60.127 90.113 70.246 60.163 9
    下载: 导出CSV
  • [1] Li J, Sun T, Lin Q Z, Jiang M, Tan K C. Reducing negative transfer learning via clustering for dynamic multiobjective optimization. IEEE Transactions on Evolutionary Computation, 2022, 26(5): 1102−1116 doi: 10.1109/TEVC.2022.3144180
    [2] Jiang M, Wang Z Z, Guo S H, Gao X, Tan K C. Individual-based transfer learning for dynamic multiobjective optimization. IEEE Transactions on Cybernetics, 2021, 51(10): 4968−4981 doi: 10.1109/TCYB.2020.3017049
    [3] Deb K, Udaya B R N, Karthik S. Dynamic multi-objective optimization and decision-making using modified NSGA-II: A case study on hydro-thermal power scheduling. In: Proceedings of the 4th International Conference on Evolutionary Multi-criterion Optimization. Berlin, Germany: Springer-Verlag, 2007. 803−817
    [4] Jiang S L, Liu Q, Bogle I D L, Zheng Z. A self-learning based dynamic multi-objective evolutionary algorithm for resilient scheduling problems in steelmaking plants. IEEE Transactions on Automation Science and Engineering, 2023, 20(2): 832−845 doi: 10.1109/TASE.2022.3168385
    [5] Ren Z Q, Rathinam S, Likhachev M, Choset H. Multi-objective safe-interval path planning with dynamic obstacles. IEEE Robotics and Automation Letters, 2022, 7(3): 8154−8161 doi: 10.1109/LRA.2022.3187270
    [6] Zhang L Y, Bienkowski A, Macesker M, Pattipati K R, Sidoti D, Hansen J A. Many-objective maritime path planning for dynamic and uncertain environments. In: Proceedings of the IEEE Aerospace Conference. Big Sky, USA: IEEE, 2021. 1−10
    [7] 李文桦, 明梦君, 张涛, 王锐, 黄生俊, 王凌. 考虑全局和局部帕累托前沿的多模态多目标优化算法. 自动化学报, 2023, 49(1): 148−160

    Li Wen-Hua, Ming Meng-Jun, Zhang Tao, Wang Rui, Huang Sheng-Jun, Wang Ling. Multimodal multi-objective evolutionary algorithm considering global and local pareto fronts. Acta Automatica Sinica, 2023, 49(1): 148−160
    [8] 余伟伟, 谢承旺, 闭应洲, 夏学文, 李雄, 任柯燕, 等. 一种基于自适应模糊支配的高维多目标粒子群算法. 自动化学报, 2018, 44(12): 2278−2289

    Yu Wei-Wei, Xie Cheng-Wang, Bi Ying-Zhou, Xia Xue-Wen, Li Xiong, Ren Ke-Yan, et al. Many-objective particle swarm optimization based on adaptive fuzzy dominance. Acta Automatica Sinica, 2018, 44(12): 2278−2289
    [9] 孙超利, 李贞, 金耀初. 模型辅助的计算费时进化高维多目标优化. 自动化学报, 2022, 48(4): 1119−1128

    Sun Chao-Li, Li Zhen, Jin Yao-Chu. Surrogate-assisted expensive evolutionary many-objective optimization. Acta Automatica Sinica, 2022, 48(4): 1119−1128
    [10] 陈美蓉, 郭一楠, 巩敦卫, 杨振. 一类新型动态多目标鲁棒进化优化方法. 自动化学报, 2017, 43(11): 2014−2032

    Chen Mei-Rong, Guo Yi-Nan, Gong Dun-Wei, Yang Zhen. A novel dynamic multi-objective robust evolutionary optimization method. Acta Automatica Sinica, 2017, 43(11): 2014−2032
    [11] Jiang S Y, Yang S X. A steady-state and generational evolutionary algorithm for dynamic multiobjective optimization. IEEE Transactions on Evolutionary Computation, 2017, 21(1): 65−82 doi: 10.1109/TEVC.2016.2574621
    [12] 丁进良, 杨翠娥, 陈立鹏, 柴天佑. 基于参考点预测的动态多目标优化算法. 自动化学报, 2017, 43(2): 313−320

    Ding Jin-Liang, Yang Cui-E, Chen Li-Peng, Chai Tian-You. Dynamic multi-objective optimization algorithm based on reference point prediction. Acta Automatica Sinica, 2017, 43(2): 313−320
    [13] 范勤勤, 李盟, 黄文焘, 姜庆超. 时空视角下的动态多目标进化算法研究综述. 控制与决策, 2024, 39(1):1−16

    Fan Qin-Qin, Li Meng, Huang Wen-Tao, Jiang Qing-Chao. A research survey of dynamic multi-objective evolutionary algorithms from spatiotemporal perspective. Control and Decision, 2024, 39(1):1−16
    [14] 郭一楠, 汤万宝, 陈国玉, 巩敦卫. 动态多目标进化优化研究进展. 信息与控制, 2021, 50(2): 162−173

    Guo Yi-Nan, Tang Wan-Bao, Chen Guo-Yu, Gong Dun-Wei. Research progress on dynamic multi-objective evolutionary optimization. Information and Control, 2021, 50(2): 162−173
    [15] Hatzakis I, Wallace D. Dynamic multi-objective optimization with evolutionary algorithms: A forward-looking approach. In: Proceedings of the 8th Annual Conference on Genetic and Evolutionary Computation. New York, USA: Association for Computing Machinery, 2006. 1201−1208
    [16] Koo W T, Goh C K, Tan K C. A predictive gradient strategy for multiobjective evolutionary algorithms in a fast changing environment. Memetic Computing, 2010, 2: 87−110 doi: 10.1007/s12293-009-0026-7
    [17] Zhou A M, Jin Y C, Zhang Q F. A population prediction strategy for evolutionary dynamic multiobjective optimization. IEEE Transactions on Cybernetics, 2014, 44(1): 40−53 doi: 10.1109/TCYB.2013.2245892
    [18] Zou J, Li Q Y, Yang S X, Bai H, Zheng J H. A prediction strategy based on center points and knee points for evolutionary dynamic multi-objective optimization. Applied Soft Computing, 2017, 61: 806−818 doi: 10.1016/j.asoc.2017.08.004
    [19] Wang F, Li Y X, Liao F S, Yan H Y. An ensemble learning based prediction strategy for dynamic multi-objective optimization. Applied Soft Computing, 2020, 96: Article No. 106592
    [20] Rambabu R, Vadakkepat P, Tan K C, Jiang M. A mixture-of--experts prediction framework for evolutionary dynamic multiobjective optimization. IEEE Transactions on Cybernetics, 2020, 50(12): 5099−5112 doi: 10.1109/TCYB.2019.2909806
    [21] Xu P, Wu X M, Guo M, Wang S, Li Q Y, Huang W P, et al. A hybrid predictive strategy carried through simultaneously from decision space and objective space for evolutionary dynamic multiobjective optimization. Wireless Communications and Mobile Computing, 2019, 2019(1): 1−17
    [22] Guo Y N, Huang M Y, Chen G Y, Gong D W, Liang J, Yu Z K. A dynamic constrained multiobjective evolutionary algorithm based on decision variable classification. Swarm and Evolutionary Computation, 2023, 83: Article No. 101420 doi: 10.1016/j.swevo.2023.101420
    [23] Cao L L, Xu L H, Goodman E D, Bao C T, Zhu S W. Evolutionary dynamic multiobjective optimization assisted by a support vector regression predictor. IEEE Transactions on Evolutionary Computation, 2020, 24(2): 305−319 doi: 10.1109/TEVC.2019.2925722
    [24] Zou F, Yen G G, Tang L X, Wang C F. A reinforcement learning approach for dynamic multi-objective optimization. Information Sciences, 2021, 546: 815−834 doi: 10.1016/j.ins.2020.08.101
    [25] Liu X F, Xu X X, Zhan Z H, Fang Y C, Zhang J. Interaction-based prediction for dynamic multiobjective optimization. IEEE Transactions on Evolutionary Computation, DOI: 10.1109/TEVC.2023.3234113
    [26] Lu K S, Ortega A. Fast graph fourier transforms based on graph symmetry and bipartition. IEEE Transactions on Signal Processing, 2019, 67(18): 4855−4869 doi: 10.1109/TSP.2019.2932882
    [27] Chaudhary S, Taran S, Bajaj V, Sengur A. Convolutional neural network based approach towards motor imagery tasks eeg signals classification. IEEE Sensors Journal, 2019, 19(12): 4494−4500 doi: 10.1109/JSEN.2019.2899645
    [28] Wen C K, Shih W T, Jin T. Deep learning for massive mimo csi feedback. IEEE Wireless Communications Letters, 2018, 7(5): 748−751 doi: 10.1109/LWC.2018.2818160
    [29] Bolinder E F. The relationship of physical applications of fourier transforms in various fields of wave theory and circuitry. IRE Transactions on Microwave Theory and Techniques, 1957, 5(2): 153−158 doi: 10.1109/TMTT.1957.1125115
    [30] Al-Ani M, Belmont M, Christmas J, Tarczynski A, Ahmad B I. On random sampling and fourier transform estimation in sea waves prediction. In: Proceedings of the 6th International Conference on Event-Based Control, Communication, and Signal Processing. Krakow, Poland: 2020. 1−4
    [31] Raets C, Aisati C E, Rifi A L, Barbé K, Ridder M D. Predicting the response to chemoradiotherapy in rectal cancer patients using bayesian evolutionary random forest and three-dimensional discrete fourier transform. In: Proceedings of the 2023 IEEE International Symposium on Medical Measurements and Applications. Jeju, Korea: 2023. 1−5
    [32] Nakatani T, Yoshioka T, Kinoshita K, Miyoshi M, Juang B H. Blind speech dereverberation with multi-channel linear prediction based on short time fourier transform representation. In: Proceedings of 2008 IEEE International Conference on Acoustics, Speech and Signal Processing. Las Vegas, USA: 2008. 85−88
    [33] Farina M, Deb K, Amato P. Dynamic multiobjective optimization problems: Test cases, approximations, and applications. IEEE Transactions on Evolutionary Computation, 2004, 8(5): 425−442 doi: 10.1109/TEVC.2004.831456
    [34] 杨庆, 任超. 大坝变形的去噪傅里叶模型预测. 测绘科学, 2019, 44(2): 158−163

    Yang Qing, Ren Chao. Prediction of dam deformation based on de-noising Fourier model. Science of Surveying and Mapping, 2019, 44(2): 158−163
    [35] 王志刚. 自回归模型的定阶方法选择及弱信号探测 [硕士学位论文], 武汉理工大学, 中国, 2020.

    Wang Zhi-Gang. Selection of Order Determination Method and Weak Signal Detection of Autoregressive Model [Master thesis], Wuhan University of Technology, China, 2020.
    [36] Chen J, Shao H, Liu C. An improved deadbeat control strategy based on repetitive prediction against grid frequency fluctuation for active power filter. IEEE Access, 2021, 9: 24646−24657 doi: 10.1109/ACCESS.2021.3057386
    [37] Li Y, Chen W C, Yang L. Multistage linear gauss pseudospectral method for piecewise continuous nonlinear optimal control problems. IEEE Transactions on Aerospace and Electronic Systems, 2021, 57(4): 2298−2310 doi: 10.1109/TAES.2021.3054074
    [38] Qiang G, You W. Ship trajectory prediction based on ST-LSTM. In: Proceedings of 14th International Conference on Signal Processing Systems. Jiangsu, China: 2022. 730−735
    [39] Yan Y Z, Tian Z J, Hou S W, Cai Z Q. Prediction of gear bending fatigue life based on grey gm (1, 1) prediction. In: Proceedings of IEEE International Conference on Industrial Engineering and Engineering Management. Kuala Lumpur, Malaysia: 2022. 492−496
    [40] Zhang Q, Li H. Moea/d: A multiobjective evolutionary algorithm based on decomposition. IEEE Transactions on Evolutionary Computation, 2007, 11(6): 712−731 doi: 10.1109/TEVC.2007.892759
    [41] Jiang S Y, Yang S X, Yao X, Tan K C, Kaiser M, Krasnogor N. Benchmark problems for cec2018 competition on dynamic multiobjective optimisation. In: Proceedings of CEC Competition. 2018. 1−18
    [42] Van Veldhuizen D A, Lamont G B. On measuring multiobjective evolutionary algorithm performance. In: Proceedings of the 2000 Congress on Evolutionary Computation. La Jolla, USA: 2000. 204−211
    [43] Schutze O, Esquivel X, Lara A, Coello C A C. Using the averaged hausdorff distance as a performance measure in evolutionary multiobjective optimization. IEEE Transactions on Evolutionary Computation, 2012, 16(4): 504−522 doi: 10.1109/TEVC.2011.2161872
    [44] Deb K, Pratap A, Agarwal S, Meyarivan T. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 2002, 6(2): 182−197 doi: 10.1109/4235.996017
    [45] Sahmoud S, Topcuoglu H R. Exploiting characterization of dynamism for enhancing dynamic multi-objective evolutionary algorithms. Applied Soft Computing, 2019, 85: Article No. 105783
    [46] Li H, Wang Z D, Lan C B, Wu P S, Zeng N Y. A novel dynamic multiobjective optimization algorithm with hierarchical response system. IEEE Transactions on Computational Social Systems, DOI: 10.1109/TCSS.2023.3293331
    [47] Jiang M, Wang Z Z, Hong H K, Yen G G. Knee point-based imbalanced transfer learning for dynamic multiobjective optimization. IEEE Transactions on Evolutionary Computation, 2021, 25(1): 117−129 doi: 10.1109/TEVC.2020.3004027
    [48] Muruganantham A, Tan K C, Vadakkepat P. Evolutionary dynamic multiobjective optimization via kalman filter prediction. IEEE Transactions on Cybernetics, 2016, 46(12): 2862−2873 doi: 10.1109/TCYB.2015.2490738
    [49] Zhang H, Ding J L, Jiang M, Tan K C, Chai T Y. Inverse gaussian process modeling for evolutionary dynamic multiobjective optimization. IEEE Transactions on Cybernetics, 2022, 52(10): 11240−11253 doi: 10.1109/TCYB.2021.3070434
    [50] Xu D, Jiang M, Hu W, Li S Z, Pan R H, Yen G G. An online prediction approach based on incremental support vector machine for dynamic multiobjective optimization. IEEE Transactions on Evolutionary Computation, 2022, 26(4): 690−703 doi: 10.1109/TEVC.2021.3115036
    [51] Wang X P, Zhao Y M, Tang L X, Yao X. Moea/d with spatial-temporal topological tensor prediction for evolutionary dynamic multiobjective optimization. IEEE Transactions on Evolutionary Computation, DOI: 10.1109/TEVC.2024.3367747
    [52] Ye Y L, Lin Q Z, Ma L J, Wong K C, Gong M G, Coello C C A. Multiple source transfer learning for dynamic multiobjective optimization. Information Sciences, 2022, 607: 739−757 doi: 10.1016/j.ins.2022.05.114
    [53] Jiang M, Wang Z Z, Qiu L M, Guo S H, Gao X, Tan K C. A fast dynamic evolutionary multiobjective algorithm via manifold transfer learning. IEEE Transactions on Cybernetics, 2021, 51(7): 3417−3428 doi: 10.1109/TCYB.2020.2989465
    [54] Guo Y N, Chen G Y, Jiang M, Gong D W, Liang J. A knowledge guided transfer strategy for evolutionary dynamic multiobjective optimization. IEEE Transactions on Evolutionary Computation, 2023, 27(6): 1750−1764 doi: 10.1109/TEVC.2022.3222844
    [55] Wilcoxon F, Bulletin S B, Dec N. Individual comparisons by ranking methods. Springer New York, DOI: 10.1007/978-1-4612-4380-916
  • 加载中
图(5) / 表(9)
计量
  • 文章访问数:  374
  • HTML全文浏览量:  199
  • PDF下载量:  151
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-11-27
  • 录用日期:  2024-05-30
  • 网络出版日期:  2024-08-01
  • 刊出日期:  2024-11-26

目录

/

返回文章
返回