🎉 博主相信： 有足够的积累，并且一直在路上，就有无限的可能！！！
👨🎓个人主页： 青年有志的博客
💯 Gitee 源码地址： https://gitee.com/futurelqh/Multi-objective-evolutionary-optimization
前言
前驱知识
- 粒子群优化算法 PSO：https://blog.csdn.net/qq_46450354/article/details/127464089
- Pareto 最优解集： https://blog.csdn.net/qq_46450354/article/details/127917026
粒子群优化算法 PSO
pbest： 粒子本身经历过的最优位置
gbest： 粒子群整体经历过的最优位置
算法思路： 在单目标优化中，通过自我认知 pbest 以及社会认知 gbest 来计算出每个个体下一次移动的速度，从而更新个体所处的位置 x，并更新个体 pbest，以及群体的 gbest，更新的依据直接通过比较目标函数值 function value 的大小即可。
PSO 算法流程图
PSO 引出 MOPSO
- PSO 在用于单目标优化过程中，由于只有一个函数，两个个体之间可以通过直接比较大小来判断好坏，从而判断是否更新 pbest，gbest。
- 在多目标问题中存在多个目标值，比如求两个目标函数的最小值，有两个个体 P 1 = ( 8 , 15 ) , P 2 = ( 10 , 12 ) {P_1} = (8, 15), P_2 = (10, 12) P1=(8,15),P2=(10,12)， P 1 {P_1} P1 的第一个目标函数值小于 P 2 {P_2} P2，而第二个目标函数值大于 P 2 P_2 P2，如何判断谁更好呢？
问题：
- 如何更新多目标中的 pbest ？
- 如何更新多目标中的 gbest ？
- 对于多目标优化问题，输出的结果为一个集合，即 rep (非支配集/归档集) ，此集合的大小如何维护 ？
- 并且 PSO 很容易陷入局部最优，如何避免呢？
注： rep 集，在部分文献中会称为 Archive 集，均为同一种，即当前迭代中的的非支配集，也称为归档集，为避免混淆，本文同一使用 rep 。
MOPSO 所解决的正是这些个问题，从而将单目标 PSO，变为了能够高效求解多目标优化的算法。下面我们来看看这些问题是如何解决的
1. 如何更新多目标中的 pbest ？
分为三种情况进行更新：
- ① 当新产生的个体 i 在每个目标函数值上都比 pbest 更优越，则更新 pbest （i 支配 pbest）
- ② 当新产生的个体 i 在每个目标函数值上都比 pbest 更劣，则不更新 （pbest 支配 i）
- ③ 当新产生的个体 i 在部分目标函数值上比 pbest 优越，则随机按照一定的概率进行更新 （i 与 pbest 互不支配）
2. 如何更新多目标中的 gbest ？
- 如何在所有互不支配的个体当中选出这个 leader 个体呢？ 这就需要引入自适应网格算法了
自适应网格算法
~~~~~~ 算法思路： 将所有个体划分在不同的网格里面，再计算网格的密度，密度越小的网格，粒子越稀疏，个体被选择的概率越大（从而保证粒子的分布性）。具体步骤如下：
Step1： 遍历集合种群中的所有个体，分别在每一个目标函数上找出所有个体中的最小值和最大值，如图所示，获得目标函数 f 1 f_1 f1 上的最小值 m i n 1 min_1 min1、最大值 m a x 1 max_1 max1，以及目标函数 f 2 f_2 f2 上的最小值 m i n 2 min_2 min2、最大值 m a x 2 max_2 max2。为了保证边界粒子 x 1 、 x 5 x_1、x_5 x1、x5 也能在网格内，需要进行延长操作，把最大最小值根据一定比例稍微延长一点，最后获得网格的边界 L B 1 、 U B 1 、 L B 2 、 U B 2 LB_1、UB_1、LB_2、UB_2 LB1、UB1、LB2、UB2
Step2： 假设设置的参数 n = 3，将网格平均切割成 3 X 3 = 9 个格子
Step3： 摘选出其中有个体的网格，并计算这些网格中存储的个体总数，如：① = 1，② = 1，③ = 1，④ = 2
Step4： 由前面获得的个体数根据公式计算这些网格的被选概率，个体越少被选概率越大，归一化所有网格的被选概率和为 1。
Step5： 根据前面计算的概率，采取轮盘赌方法选择一个网格，该网格中的个体作为 gBest 备选集，在备选集中采用随机选择的方法选择其中一个个体作为全局最优 gBest
3. 如何维护 rep （非支配集/归档集) ？
- 同样可以采取自适应网格算法。即假设在加入新的非支配个体后，rep 库现在的长度是 m ( m > N ) m(m>N) m(m>N)，此时我们需要删除 m − N m-N m−N 个个体来保证 rep 不溢出。此时只需要通过自适应网格法从 rep 库中选择出一个最差劲个体然后从rep库中删除，如此循环 m − N m-N m−N 次，问题迎刃而解
-
首先，根据支配关系进行第一轮筛选，将个体自身与上一次相比的劣解去除，即更新 pbest
-
将所有个体根据支配关系进行第二轮筛选，将劣解去除，并加入到 rep 归档集中，并计算个体所处的网格位置
-
最后，若归档集数量超过了存档阀值，则根据自适应网格进行筛选删除，直到阀值限额为止，重新进行网格划分。
4. 如何避免算法陷入局部最优？
Step1： 对当前的粒子 x，根据当前迭代次数 It 和最大迭代次数 MaxIt 以及突变率 m 计算扰乱算子 p。
p = ( 1 − ( I t − 1 ) ( M a x I t − 1 ) ) ( 1 / m ) p = ( 1 -\frac{ ( It - 1 ) }{ ( MaxIt - 1 )} )^ {( 1 / m )} p=(1−(MaxIt−1)(It−1))(1/m)
Step2： 获取随机数 rand，如果 rand < p，随机选择粒子的某个决策变量进行变异，其余决策变量不变；若 rand 不小于 p，则保持不变。
Step3： 如果粒子需要变异，首先随机选择到粒子 x 的第 j 个决策变量 x(j)，然后根据扰乱算子计算变异范围 d，
d = p ∗ ( V a r M a x − V a r M i n ) ; d = p * (VarMax-VarMin); d=p∗(VarMax−VarMin);
式中， V a r M a x VarMax VarMax 和 V a r m i n Varmin Varmin 分别是规定的决策变量的最大值和最小值。
Step4： 由 d 计算变异的上下界，上界
U
B
=
x
(
j
)
+
d
UB=x(j) + d
UB=x(j)+d，下界
L
B
=
x
(
j
)
−
d
LB=x(j) - d
LB=x(j)−d。同时注意越界处理：
U
B
=
m
i
n
(
U
B
,
V
a
r
m
a
x
)
,
L
B
=
m
a
x
(
L
B
,
V
a
r
m
i
n
)
UB=min(UB,Var_{max}),LB=max(LB,Var_{min})
UB=min(UB,Varmax),LB=max(LB,Varmin)
Step5： 最后根据变异的范围 [ L B , U B ] [LB,UB] [LB,UB] 随机获取新的 x ( j ) = u n i f r n d ( l b , u b ) x(j)=unifrnd(lb, ub) x(j)=unifrnd(lb,ub) ，即获得区间 ( l b , u b ) (lb,ub) (lb,ub) 中的一个随机数。
Step6： 在粒子变异后，要比较变异后的粒子是否更优秀，如果变异后的粒子更优秀则更新粒子，否则不更新；同样还要比较新的粒子和粒子的 pBest，若新的粒子比 pBest 优秀则更新 pBest，否则不更新。
算法流程
综上可知 MOPSO 算法主要是针对以下一些问题进行研究：
-
如何选择 pbest。对于多目标来说两个粒子的对比，并不能对比出哪个好一些。如果粒子的每个目标都要好的话，则该粒子更优。若有些更好，有些更差的话，就无法严格的说哪个好些，哪个差一些。
-
如何选择 gbest。对于多目标来说，最优的个体有很多个。该如何选择，涉及到最优个体的存档、存档的管理等问题（多样性/分布性）
-
速度更新公式优化；
-
位置更新处理；
-
增加扰乱算子即变异算子的选择问题，主要是为了解决 PSO 快速收敛到局部最优的问题，增加扰乱可以使得收敛到全局最优
-
增加一些其他的操作来改善收敛性和多样性
补充
- 上述解决方案为较简单的方式，还可以有其他很多方式来解决这三类问题，从而实现不同的算法。
-
速度更新公式的优化，如：引入了一个收缩因子等
-
解决算法快速收敛陷入局部最优的问题，如：变异操作
-
算法收敛性和多样性的实现方式，如本文的自适应网格算法；
-
MOPSO 的存档方法
算法执行图
算法在 ZDT1 测试函数下的执行结果
利用综合指标 （HV、IGD） 测试算法在测试函数上的收敛性与分布性，在迭代完成后加上下面两段代码即可：
zdt1.mat：为测试函数 zdt1 的真是 Pareto 解集，在文章开头给出的 Gitee 地址中有
load('zdt1.mat'); % 真实 Pareto 解集
HVResult = HV([rep.Cost]', zdt1)
IGDResult = IGD([rep.Cost]', zdt1)
文章来源：https://www.toymoban.com/news/detail-743406.html
代码实现
mopso.mlx
Problem Definition
CostFunction = @(x) ZDT(x); % Cost Function
nVar = 5; % Number of Decision Variables
VarSize = [1 nVar]; % Size of Decision Variables Matrix
VarMin = 0; % Lower Bound of Variables
VarMax = 1; % Upper Bound of Variables
MOPSO Parameters
MaxIt = 200; % Maximum Number of Iterations
nPop = 200; % Population Size
nRep = 100; % Repository Size
w = 0.5; % Inertia Weight
wdamp = 0.99; % Intertia Weight Damping Rate
c1 = 1; % Personal Learning Coefficient
c2 = 2; % Global Learning Coefficient
nGrid = 7; % Number of Grids per Dimension
alpha = 0.1; % Inflation Rate
beta = 2; % Leader Selection Pressure
gamma = 2; % Deletion Selection Pressure
mu = 0.1; % Mutation Rate
Initialization
empty_particle.Position = [];
empty_particle.Velocity = [];
empty_particle.Cost = [];
empty_particle.Best.Position = [];
empty_particle.Best.Cost = [];
empty_particle.IsDominated = [];
empty_particle.GridIndex = [];
empty_particle.GridSubIndex = [];
pop = repmat(empty_particle, nPop, 1);
for i = 1:nPop
pop(i).Position = unifrnd(VarMin, VarMax, VarSize); % 产生范围内的连续随机数
pop(i).Velocity = zeros(VarSize);
pop(i).Cost = CostFunction(pop(i).Position);
% Update Personal Best
pop(i).Best.Position = pop(i).Position;
pop(i).Best.Cost = pop(i).Cost;
end
% Determine Domination
pop = DetermineDomination(pop);
rep = pop(~[pop.IsDominated]); % 选出当前非支配个体
Grid = CreateGrid(rep, nGrid, alpha); % 定义网格
for i = 1:numel(rep)
rep(i) = FindGridIndex(rep(i), Grid); % 给每个个体分配网格位置
end
MOPSO Main Loop
for it = 1:MaxIt
for i = 1:nPop
leader = SelectLeader(rep, beta); % 轮盘赌选择 gbest
pop(i).Velocity = w*pop(i).Velocity ...
+c1*rand(VarSize).*(pop(i).Best.Position-pop(i).Position) ...
+c2*rand(VarSize).*(leader.Position-pop(i).Position);
% 更新位置
pop(i).Position = pop(i).Position + pop(i).Velocity;
% 越界判断
pop(i).Position = max(pop(i).Position, VarMin);
pop(i).Position = min(pop(i).Position, VarMax);
% 计算新的目标值
pop(i).Cost = CostFunction(pop(i).Position);
if Dominates(pop(i), pop(i).Best) % 如果 i 支配 Best，则更新 Best
pop(i).Best.Position = pop(i).Position;
pop(i).Best.Cost = pop(i).Cost;
elseif Dominates(pop(i).Best, pop(i)) % 若 Best 支配 i ，则不更新
% Do Nothing
else % 若互不支配，则产生随机数判断是否更新
if rand<0.5
pop(i).Best.Position = pop(i).Position;
pop(i).Best.Cost = pop(i).Cost;
end
end
end
% Add Non-Dominated Particles to REPOSITORY
rep = [rep
pop(~[pop.IsDominated])]; %#ok
% Determine Domination of New Resository Members
rep = DetermineDomination(rep);
% Keep only Non-Dminated Memebrs in the Repository
rep = rep(~[rep.IsDominated]);
% Update Grid
Grid = CreateGrid(rep, nGrid, alpha);
% Update Grid Indices
for i = 1:numel(rep)
rep(i) = FindGridIndex(rep(i), Grid);
end
% Check if Repository is Full
if numel(rep)>nRep
Extra = numel(rep)-nRep;
for e = 1:Extra
rep = DeleteOneRepMemebr(rep, gamma);
end
end
% Plot Costs
figure(1);
PlotCosts(pop, rep);
pause(0.01);
% Show Iteration Information
disp(['Iteration ' num2str(it) ': Number of Rep Members = ' num2str(numel(rep))]);
% Damping Inertia Weight
w = w*wdamp;
end
ZDT.m：测试函数 ZDT1
function z = ZDT(x)
% Function: z = ZDT(x)
%
% Description: 此系列的测试函数总共有 6 个，ZDT1 ~ ZDT6, 属于数值型测试函数，
% 当前实现的测试函数为 ZDT1
%
%
% Syntax:
%
%
% Parameters:
% x：决策变量
%
% Return:
% z：函数结果 f1, f2
%
% Young99
% Revision: Data:
%*************************************************************************
n = numel(x);
f1 = x(1);
g = 1+9/(n-1)*sum(x(2:end));
h = 1-sqrt(f1/g);
f2 = g*h;
z = [f1
f2];
end
DetermineDomination.m：判断是否为非支配个体
function pop = DetermineDomination(pop)
% Function: pop = DetermineDomination(pop)
%
% Description: 计算个体之间的支配关系，若被其他个体支配，将 IsDominated 设置为 true
%
%
% Syntax:
%
%
% Parameters:
% pop：种群
%
% Return:
% pop：进行非支配标记后的种群
%
% Young99
% Revision:1.0 Data: 2022-12-07
%*************************************************************************
nPop = numel(pop);
% 初始化每个个体均为非支配个体
for i = 1:nPop
pop(i).IsDominated = false;
end
% 两两个体比较
for i = 1:nPop-1
for j = i+1:nPop
if Dominates(pop(i), pop(j))
pop(j).IsDominated = true;
end
if Dominates(pop(j), pop(i))
pop(i).IsDominated = true;
end
end
end
end
Dominates.m：两两个体之间比较大小
function b = Dominates(x, y)
% Function: b = Dominates(x, y)
%
% Description: 比较两个个体的函数值
%
%
% Syntax:
%
%
% Parameters:
% pop：种群
%
% Return:
% b：比较结果，为布尔型
%
% Young99
% Revision:1.0 Data: 2022-12-07
%*************************************************************************
if isstruct(x)
x = x.Cost;
end
if isstruct(y)
y = y.Cost;
end
b = all(x <= y) && any(x<y);
end
CreateGrid.m：创建自适应网格
function Grid = CreateGrid(pop, nGrid, alpha)
% Function: Grid = CreateGrid(pop, nGrid, alpha)
%
% Description: 为每一个目标函数，选出 pop 中个体目标函数值的最小及最大值
% 将最小最大值利用 alpha 参数扩展一定的范围，作为当前维度网格的上下限
%
%
% Syntax:
%
%
% Parameters:
% pop：rep 即为当前轮的非支配个体
% nGrid：网格的维度大小
% alpha：自定义参数，用于调整网格的最大最小上下线
%
% Return:
% Grid：定义后的网格
%
% Young99
% Revision:1.0 Data: 2022-12-07
%*************************************************************************
c = [pop.Cost];
cmin = min(c, [], 2);
cmax = max(c, [], 2);
dc = cmax-cmin;
cmin = cmin-alpha*dc;
cmax = cmax+alpha*dc;
nObj = size(c, 1);
empty_grid.LB = [];
empty_grid.UB = [];
Grid = repmat(empty_grid, nObj, 1);
for j = 1:nObj
cj = linspace(cmin(j), cmax(j), nGrid+1);
Grid(j).LB = [-inf cj];
Grid(j).UB = [cj +inf];
end
end
FindGridIndex.m：为每个个体确定在网格中的位置
function particle = FindGridIndex(particle, Grid)
% Function: particle = FindGridIndex(particle, Grid)
%
% Description: 为 rep 中的每个个体划分所在的网格，其中
% GridSubIndex 表示每维目标所对应的网格位置
% GridIndex 表示将 GridSubIndex 归并为一个数来表示
%
%
% Syntax:
%
%
% Parameters:
% particle：当前非支配集中的一个个体
% Grid：已经划分好的网格，用于自适应网格算法
%
% Return:
% particle：划分到对应网格后的个体
%
% Young99
% Revision:1.0 Data: 2022-12-07
%*************************************************************************
nObj = numel(particle.Cost);
nGrid = numel(Grid(1).LB);
particle.GridSubIndex = zeros(1, nObj);
for j = 1:nObj
particle.GridSubIndex(j) = ...
find(particle.Cost(j)<Grid(j).UB, 1, 'first');
end
% 将高维转化为一维的空间索引
particle.GridIndex = particle.GridSubIndex(1);
for j = 2:nObj
particle.GridIndex = particle.GridIndex-1;
particle.GridIndex = nGrid*particle.GridIndex;
particle.GridIndex = particle.GridIndex+particle.GridSubIndex(j);
end
end
SelectLeader.m：利用网格聚集密度选择 gBest
function leader = SelectLeader(rep, beta)
% Function: leader = SelectLeader(rep, beta)
%
% Description: 利用轮盘赌选出其中一个网格，网格聚集密度越小，越容易被选中，
% 再在选中的网格中随机选出一个个体作为 leader 即 gbest
%
%
% Syntax:
%
%
% Parameters:
% rep：当前迭代的非支配个体
% beta：自定义参数
%
% Return:
% leader：被选中的 gbest
%
% Young99
% Revision:1.0 Data: 2022-12-07
%*************************************************************************
% Grid Index of All Repository Members
GI = [rep.GridIndex];
% Occupied Cells
OC = unique(GI);
% Number of Particles in Occupied Cells
N = zeros(size(OC));
for k = 1:numel(OC)
N(k) = numel(find(GI == OC(k)));
end
% Selection Probabilities
P = exp(-beta*N); % 注意这是有负数，表示个体数越多的网格被选择的概率越小
P = P/sum(P); % 转化为和为 1 的概率
% Selected Cell Index
sci = RouletteWheelSelection(P);
% Selected Cell
sc = OC(sci);
% Selected Cell Members
SCM = find(GI == sc);
% Selected Member Index，random selection
smi = randi([1 numel(SCM)]);
% Selected Member
sm = SCM(smi);
% Leader
leader = rep(sm);
end
RouletteWheelSelection.m： 轮盘赌
function i = RouletteWheelSelection(P)
% 轮盘赌用于选择某个网格
r = rand;
C = cumsum(P);
i = find(r <= C, 1, 'first');
end
Mutation.m：变异操作
function particle = Mutation(particle, pm, VarMin, VarMax)
% Function: particle = Mutation(particle, pm, VarMin, VarMax)
%
% Description: 随机选择一个决策变量进行变异，避免陷入局部最优
%
%
% Syntax:
%
%
% Parameters:
% particle：个体决策变量
% pm：扰乱算子
% VarMin：变量最小值
% VarMax：变量最大值
%
% Return:
% particle：变异后的个体
%
% 99Young99
% Revision:1.0 Data: 2022-12-09
%*************************************************************************
nVar = numel(particle);
p = randi([1 nVar]); % 随机选取一个变异位置 p
x = particle(p);
d = pm * (VarMax - VarMin);
ub = x + d;
lb = x - d;
ub = min(ub, VarMax);
lb = max(lb, VarMin);
x = unifrnd(lb, ub, 1);
particle(p) = x;
end
DeleteOneRepMemebr.m：当 rep 超出阈值，进行删除操作
function rep = DeleteOneRepMemebr(rep, gamma)
% Function: rep = DeleteOneRepMemebr(rep, gamma)
%
% Description: 利用轮盘赌选出其中一个网格，网格聚集密度越大，越容易被选中，
% 再在选中的网格中随机选出一个个体删除
%
%
% Syntax:
%
%
% Parameters:
% rep：当前迭代的非支配个体
% beta：自定义参数
%
% Return:
% leader：被选中的 gbest
%
% Young99
% Revision:1.0 Data: 2022-12-07
%*************************************************************************
% Grid Index of All Repository Members
GI = [rep.GridIndex];
% Occupied Cells
OC = unique(GI);
% Number of Particles in Occupied Cells
N = zeros(size(OC));
for k = 1:numel(OC)
N(k) = numel(find(GI == OC(k)));
end
% Selection Probabilities
P = exp(gamma*N);
P = P/sum(P);
% Selected Cell Index
sci = RouletteWheelSelection(P);
% Selected Cell
sc = OC(sci);
% Selected Cell Members
SCM = find(GI == sc);
% Selected Member Index
smi = randi([1 numel(SCM)]);
% Selected Member
sm = SCM(smi);
% Delete Selected Member
rep(sm) = [];
end
PlotCosts.m：画图可视化
function PlotCosts(pop, rep)
pop_costs = [pop.Cost];
plot(pop_costs(1, :), pop_costs(2, :), 'ko');
hold on;
rep_costs = [rep.Cost];
plot(rep_costs(1, :), rep_costs(2, :), 'r*');
xlabel('1^{st} Objective');
ylabel('2^{nd} Objective');
grid on;
hold off;
end
HV.m
function [Score,PopObj] = HV(PopObj,PF)
% <metric> <max>
% Hypervolume
%------------------------------- Reference --------------------------------
% E. Zitzler and L. Thiele, Multiobjective evolutionary algorithms: A
% comparative case study and the strength Pareto approach, IEEE
% Transactions on Evolutionary Computation, 1999, 3(4): 257-271.
%------------------------------- Copyright --------------------------------
% Copyright (c) 2018-2019 BIMK Group. You are free to use the PlatEMO for
% research purposes. All publications which use this platform or any code
% in the platform should acknowledge the use of "PlatEMO" and reference "Ye
% Tian, Ran Cheng, Xingyi Zhang, and Yaochu Jin, PlatEMO: A MATLAB platform
% for evolutionary multi-objective optimization [educational forum], IEEE
% Computational Intelligence Magazine, 2017, 12(4): 73-87".
%--------------------------------------------------------------------------
%
% 这段代码是用来计算超体积指标的。它包含了一个 HV 函数，用于计算超体积指标，并输出其值和输入种群的结果。
%
% HV 函数的输入参数包括种群结果 PopObj 和理论最优结果 PF。它首先会将种群结果进行归一化，然后根据超体积指标的定义，计算种群结果与理论最优结果的相似度。
%
% 最后，HV 函数会输出计算得到的超体积指标值和归一化后的种群结果。
% Normalize the population according to the reference point set
[N,M] = size(PopObj);
fmin = min(min(PopObj,[],1),zeros(1,M));
fmax = max(PF,[],1);
PopObj = (PopObj-repmat(fmin,N,1))./repmat((fmax-fmin)*1.1,N,1);
PopObj(any(PopObj>1,2),:) = [];
% The reference point is set to (1,1,...)
RefPoint = ones(1,M);
if isempty(PopObj)
Score = 0;
elseif M < 4
% Calculate the exact HV value
pl = sortrows(PopObj);
S = {1,pl};
for k = 1 : M-1
S_ = {};
for i = 1 : size(S,1)
Stemp = Slice(cell2mat(S(i,2)),k,RefPoint);
for j = 1 : size(Stemp,1)
temp(1) = {cell2mat(Stemp(j,1))*cell2mat(S(i,1))};
temp(2) = Stemp(j,2);
S_ = Add(temp,S_);
end
end
S = S_;
end
Score = 0;
for i = 1 : size(S,1)
p = Head(cell2mat(S(i,2)));
Score = Score + cell2mat(S(i,1))*abs(p(M)-RefPoint(M));
end
else
% Estimate the HV value by Monte Carlo estimation
SampleNum = 1000000;
MaxValue = RefPoint;
MinValue = min(PopObj,[],1);
Samples = unifrnd(repmat(MinValue,SampleNum,1),repmat(MaxValue,SampleNum,1));
if gpuDeviceCount > 0
% GPU acceleration
Samples = gpuArray(single(Samples));
PopObj = gpuArray(single(PopObj));
end
for i = 1 : size(PopObj,1)
drawnow();
domi = true(size(Samples,1),1);
m = 1;
while m <= M && any(domi)
domi = domi & PopObj(i,m) <= Samples(:,m);
m = m + 1;
end
Samples(domi,:) = [];
end
Score = prod(MaxValue-MinValue)*(1-size(Samples,1)/SampleNum);
end
end
function S = Slice(pl,k,RefPoint)
p = Head(pl);
pl = Tail(pl);
ql = [];
S = {};
while ~isempty(pl)
ql = Insert(p,k+1,ql);
p_ = Head(pl);
cell_(1,1) = {abs(p(k)-p_(k))};
cell_(1,2) = {ql};
S = Add(cell_,S);
p = p_;
pl = Tail(pl);
end
ql = Insert(p,k+1,ql);
cell_(1,1) = {abs(p(k)-RefPoint(k))};
cell_(1,2) = {ql};
S = Add(cell_,S);
end
function ql = Insert(p,k,pl)
flag1 = 0;
flag2 = 0;
ql = [];
hp = Head(pl);
while ~isempty(pl) && hp(k) < p(k)
ql = [ql;hp];
pl = Tail(pl);
hp = Head(pl);
end
ql = [ql;p];
m = length(p);
while ~isempty(pl)
q = Head(pl);
for i = k : m
if p(i) < q(i)
flag1 = 1;
else
if p(i) > q(i)
flag2 = 1;
end
end
end
if ~(flag1 == 1 && flag2 == 0)
ql = [ql;Head(pl)];
end
pl = Tail(pl);
end
end
function p = Head(pl)
if isempty(pl)
p = [];
else
p = pl(1,:);
end
end
function ql = Tail(pl)
if size(pl,1) < 2
ql = [];
else
ql = pl(2:end,:);
end
end
function S_ = Add(cell_,S)
n = size(S,1);
m = 0;
for k = 1 : n
if isequal(cell_(1,2),S(k,2))
S(k,1) = {cell2mat(S(k,1))+cell2mat(cell_(1,1))};
m = 1;
break;
end
end
if m == 0
S(n+1,:) = cell_(1,:);
end
S_ = S;
end
IGD.m
function Score = IGD(PopObj,PF)
% PopObej：算法求得的非支配解集
% PF：真实 Pareto 解集
% <metric> <min>
% Inverted generational distance
%------------------------------- Reference --------------------------------
% C. A. Coello Coello and N. C. Cortes, Solving multiobjective optimization
% problems using an artificial immune system, Genetic Programming and
% Evolvable Machines, 2005, 6(2): 163-190.
%------------------------------- Copyright --------------------------------
% Copyright (c) 2018-2019 BIMK Group. You are free to use the PlatEMO for
% research purposes. All publications which use this platform or any code
% in the platform should acknowledge the use of "PlatEMO" and reference "Ye
% Tian, Ran Cheng, Xingyi Zhang, and Yaochu Jin, PlatEMO: A MATLAB platform
% for evolutionary multi-objective optimization [educational forum], IEEE
% Computational Intelligence Magazine, 2017, 12(4): 73-87".
%--------------------------------------------------------------------------
% 通过 pdist 计算 PF 与 PopObj 两两欧式距离，通过 min 取每一行的最小值作为列向量
% 最后再取所有距离的平均值，越小说明分布性和收敛性越
Distance = min(pdist2(PF,PopObj),[],2);
Score = mean(Distance);
end
Reference
部分理论来源于网络，如有侵权请联系删除文章来源地址https://www.toymoban.com/news/detail-743406.html
到了这里，关于【多目标进化优化】MOPSO 原理与代码实现的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
