多目标粒子群算法及其MATLAB实现

news/2024/5/13 18:43:44

多目标粒子群优化（Multi-Objective Particle Swarm Optimization, MOPSO）算法是一种基于种群的优化算法，它结合了粒子群优化（Particle Swarm Optimization, PSO）和多目标优化的思想。多目标粒子群（MOPSO）算法是由CarlosA. Coello Coello等在2004年提出来的。

以下是对多目标粒子群算法流程的另一种表达方式：

(1) 粒子速度更新机制

粒子速度的更新是基于三个关键组成部分：

  • 惯性部分：它保持了粒子先前的运动方向和速度，有助于粒子保持其运动惯性。
  • 个体认知部分：反映了粒子向其个体历史最佳位置的趋近，体现了粒子的自我学习和调整能力。
  • 社会认知部分：体现了粒子向整个群体中的最佳位置（全局最优）的趋近，反映了粒子间的社会学习和协作。

(2) 粒子位置更新

粒子根据更新后的速度调整其位置，这个过程是粒子在搜索空间中进行探索和寻找更优解的关键步骤。

(3) 个体历史最优位置pbest的选择

对于每个粒子，算法会比较其当前目标函数值和个体历史最优位置的目标函数值。如果两者互不支配，即没有一个在所有目标上都优于另一个，则随机选择一个作为新的历史最优。若存在支配关系，则选择支配的解作为新的历史最优。

(4) 全局最优位置gbest的选择

在多目标优化中，全局最优不是单一的解，而是一组非支配解。MOPSO算法根据非支配解集中的拥挤程度来选择一个全局领导者。选择过程倾向于那些位于较不拥挤区域的粒子，以增加对未知区域的探索。选择概率与粒子的拥挤程度成反比，即粒子所处位置越拥挤，被选择的概率越低。

(5) 非支配解集的更新

在每次迭代后，非支配解集都会进行更新，以确保它包含当前种群中的最佳非支配解。更新过程包括三个步骤：

  1. 初步筛选：首先，根据支配关系去除劣解，只保留非被支配的解，并将它们加入到非支配解集中。
  2. 内部筛选：在非支配解集内部再次根据支配关系进行筛选，进一步去除可能的劣解，并确定每个粒子在网格中的位置。
  3. 数量控制：如果非支配解集的数量超过了设定的阈值，算法会根据自适应网格方法进行筛选，以减少非支配解的数量，直到满足数量限制。随后，重新进行网格划分以适应新的非支配解集。

总体流程图如下:

完整代码见: https://download.csdn.net/download/corn1949/89218695

MATLAB主程序部分代码如下:


%% 多目标粒子群算法% 清除所有变量，关闭所有图形窗口，关闭所有警告信息
clc; close all; clear all; warning off;% 设置随机数生成器的种子，以确保结果的可重复性
rand('seed', 100);
randn('seed', 100);% 设置数值显示格式为长精度科学计数法
format long g;% 定义变量的下界和上界
lb = -4 * ones(1, 5);
ub = 4 * ones(1, 5);% 定义速度的下界和上界
vlb = (ub - lb) * -0.05;
vub = (ub - lb) * 0.05;% 获取变量的维度
dimension = length(lb);% 定义问题的目标数（这里设置为2，表示有两个优化目标）
N = 2;%% 多目标粒子群算法参数设置% 种群大小
popsize = 50;% 帕累托集的大小
nRep = 20;% 最大迭代次数
maxgen = 100;% 定义算法中的一些参数
phi1 = 2.05;
phi2 = 2.05;
phi = phi1 + phi2;
chi = 2 / (phi - 2 + sqrt(phi^2 - 4 * phi));
w = chi;  % 惯性权重
wdamp = 1;  % 惯性权重阻尼比
c1 = chi * phi1;  % 个体学习系数
c2 = chi * phi2;  % 全局学习系数
alpha = 0.1;  % 网格膨胀参数
nGrid = 10;  % 每一维的网格数
beta = 4;  % 选择压力参数
gamma = 2;  % 帕累托集选择被删除的压力参数%% 初始化粒子群% 生成初始粒子和速度
[psomat, vmat] = genchrom(popsize, dimension, lb, ub, vlb, vub);
particle = CreateEmptyParticle(popsize);% 初始化每个粒子的速度、位置、成本和最佳位置
for i = 1:popsizeparticle(i).Velocity = vmat(i, :);particle(i).Position = psomat(i, :);particle(i).Cost = myfun(particle(i).Position);particle(i).Best.Position = particle(i).Position;particle(i).Best.Cost = particle(i).Cost;
end% 确定粒子间的支配关系
particle = DetermineDomination(particle);% 获取非支配粒子
rep = GetNonDominatedParticles(particle);
rep_costs = GetCosts(rep);% 创建超立方体网格
G = CreateHypercubes(rep_costs, nGrid, alpha);% 为每个非支配粒子分配网格索引
for i = 1:numel(rep)[rep(i).GridIndex rep(i).GridSubIndex] = GetGridIndex(rep(i), G);
end% 初始化记录每代最佳和平均成本的矩阵
trace_best_mat = zeros(maxgen, N);
trace_mean_mat = zeros(maxgen, N);%% MOPSO主循环wait_hand = waitbar(0, 'running...', 'tag', 'TMWWaitbar');
for gen = 1:maxgenfor i = 1:popsize% 选择领导者粒子rep_h = SelectLeader(rep, beta);% 更新粒子的速度V = particle(i).Velocity;V = w * V + c1 * rand * (particle(i).Best.Position - particle(i).Position) + c2 * rand * (rep_h.Position - particle(i).Position);V = limitspeed(V, vlb, vub, dimension);particle(i).Velocity = V;% 更新粒子位置p = particle(i).Position;p = p + V;p = limitposition(p, lb, ub, dimension);particle(i).Position = p;particle(i).Cost = myfun(particle(i).Position);% 更新粒子的最佳位置if Dominates(particle(i), particle(i).Best)particle(i).Best.Position = particle(i).Position;particle(i).Best.Cost = particle(i).Cost;elseif ~Dominates(particle(i).Best, particle(i)) && rand < 0.5particle(i).Best.Position = particle(i).Position;particle(i).Best.Cost = particle(i).Cost;endend% 确定粒子间的支配关系，并获取非支配粒子particle = DetermineDomination(particle);nd_particle = GetNonDominatedParticles(particle);rep = [rep; nd_particle];rep = DetermineDomination(rep);rep = GetNonDominatedParticles(rep);% 为每个非支配粒子分配网格索引for i = 1:numel(rep)[rep(i).GridIndex rep(i).GridSubIndex] = GetGridIndex(rep(i), G);end% 如果非支配解的数量超过了设定的帕累托集大小，则进行删除操作if numel(rep) > nRepEXTRA = numel(rep) - nRep;rep = DeleteFromRep(rep, EXTRA, gamma);rep_costs = GetCosts(rep);G = CreateHypercubes(rep_costs, nGrid, alpha);end% 更新惯性权重w = w * wdamp;% 记录每代的最佳和平均成本costs20gen=GetCosts(particle);% trace_best_mat(gen,:)=min(costs20gen');if gen==1trace_best_mat(gen,:)=min(costs20gen');elsevminmat=min(costs20gen');vminmat2=trace_best_mat(gen-1,:);trace_best_mat(gen,:)=trace_best_mat(gen-1,:);mat301=vminmat-vminmat2;h301= mat301<0;trace_best_mat(gen,h301)=vminmat(h301);endtrace_mean_mat(gen,:)=mean(costs20gen');waitbar(gen/maxgen,wait_hand);
end
delete(wait_hand);
%% 输出结果costs=GetCosts(particle);
rep_costs=GetCosts(rep);

程序结果如下:

非支配解

paretomat =

      -0.00227284102228413        0.0712188161550257       -0.0163216279512607        0.0223268028879513          0.03405075873276
      -0.00978636830453622         0.170156524714462      -0.00723451433058267        0.0182846191284416        0.0771681625528947
       -0.0176101654801064       -0.0159523975594723      -0.00302200380115747      -0.00849832458300534       -0.0324966912535463
       -0.0419332201068704        0.0746825423487237       -0.0563764778122908       -0.0524243448303948       -0.0229788168721254
       -0.0554839057394384       -0.0989784771813438       -0.0262242055862137        0.0297280418138594     -0.000227264370436242
       -0.0776369060456135       0.00216881072591707       -0.0702366970770566        -0.102944631440041        -0.217642861858831
       -0.0800190754495594        0.0233548532432994        -0.131623720484054       -0.0668297989337753       -0.0185859224973561
       -0.0983626982392394        -0.048037643077243       -0.0692611671055516       -0.0529905948017304       -0.0609328036656522
        -0.105760339390864       -0.0347358884736846       -0.0892373267932827       -0.0545751682409862        0.0407188033358694
        -0.125033787402079        -0.131232202936618        -0.141447071858335        -0.172444620296566        -0.168915834021728
        -0.188399920778113        -0.119726577587646        -0.197052439456695        -0.139812180253481        -0.111490249458453
        -0.189019350743697        -0.144860818694586        -0.192348693379104        -0.179658414736104        -0.141473793690724
        -0.214940684352413        -0.190635157923252        -0.180726899336942        -0.182491821843856        -0.155094670744462
        -0.224468241501541        -0.227546563527362        -0.260585401957969        -0.265522548982672        -0.233156930268307
        -0.259084486658183        -0.195921556728781         -0.29153143335854        -0.231227768412947        -0.176736149549026
        -0.385640587641675        -0.405131975319977        -0.383266402124398        -0.378920251924422        -0.362410294125239
        -0.409708206256663        -0.232258263008486        -0.383276198073093        -0.387622420293001        -0.404531363301304
        0.0266622627949854        0.0199937608076338           0.1020344140958          0.16462373320381         0.335206887783278
         0.029252090464726         0.040560254090536        0.0582231007878223        0.0772952250813304        0.0143580767172984
        0.0523711335156912       0.00916152080864516         0.104635526130941        0.0906404136369576         0.129224191514728
        0.0634041083085849         0.111252555481021        0.0695940580687484        0.0953555138623883         0.124797310908963
        0.0768012955752901        0.0888719244083341         0.076244376622001        0.0273308115915742        0.0763923948232536
        0.0773288220286295        0.0534328982763007          0.12090850599578          0.14178695686211         0.124222179286853
        0.0867509132221776        0.0699405325222435         0.125072236606695        0.0312453154029308        0.0272014961143899
         0.089475649803505        0.0291507738967921        0.0765259423071948        0.0147511082690438        0.0909264711466479
         0.148789021129548         0.161174452260867         0.166142427712131         0.173501657183426         0.196366758068039
         0.151315789987184        0.0688968682546646         0.200197186970212         0.103900972227278        0.0378663627411232
         0.157245805067246          0.15882761519839         0.185975998293083         0.130233154440741         0.188752564844483
          0.16142983238422         0.195238405764086         0.194463073952494          0.16959756042971        0.0874732116423768
          0.22245205415835         0.269650371838859         0.224140784075583         0.246205835016685         0.274971785453224
         0.225154322749349         0.208181362098171         0.249976110858735         0.278973450904965         0.177928756027206
         0.230231006144887         0.235171902542444         0.266234156364099         0.274764469150482         0.174615593267893
         0.236626509303455         0.236665306073303         0.256782832006794         0.296167489627297         0.305962623989305
           0.2477228921018         0.298320394377546         0.289268192825444         0.315014091405021         0.352339375907663
         0.266947443396633         0.324382171096344         0.328350838090562         0.335921585226187         0.235513723671755
         0.278973420929827         0.304392708688683         0.282276552822378         0.289283667760178         0.293413794959001
         0.292384979308659         0.284785782539692         0.339886915529597         0.313743643095613         0.320354289049389
         0.363243384937082         0.379846924117677         0.351984258497255         0.331709064688054         0.347154150516659
         0.518632240891831          0.52936147168219         0.498201970418901         0.474523098342005         0.397491700185792

>> 

 完整代码见: https://download.csdn.net/download/corn1949/89218695


http://www.mrgr.cn/p/05318526

相关文章

工业硅

工业硅

阅读更多...
JMeter配置元件（二）

JMeter配置元件（二）

一 前言 环境： window 10 JMeter 5.3 记录一些常用的配置元件的用法 二 Configuration elements 配置元件 JDBC Connection Configuration 该元件的作用是创建数据库连接池，常常与sampler中的JDBC request一起来创建对数据库的使用， 关于连接数据库在前面的配置数据库连接的…
阅读更多...
pytest教程-27-分布式执行用例插件-pytest-xdist

pytest教程-27-分布式执行用例插件-pytest-xdist

上一小节我们学习了pytest随机执行用例插件-pytest-random-order&#xff0c;本小节我们讲解一下pytest分布式执行用例插件pytest-xdist。 前言 平常我们手工测试用例非常多时&#xff0c;比如有1千条用例&#xff0c;假设每个用例执行需要1分钟。如果一个测试人员执行需要10…
阅读更多...
生猪

生猪

感觉没调整完
阅读更多...
为什么我反对过度使用TypeScript?

为什么我反对过度使用TypeScript?

大家好, 我前夕. TypeScript在今天早已无人不知, 但是我认为TypeScript的使用应该遵循中庸之道. 要使用, 但不要过度使用.前言 在2024年, TypeScript肯定算不上什么新鲜的技术. 但是经过长时间的使用, 我认为可以使用, 但是要适度. 类型跟不上业务的变化 我们知道TypeScript的类…
阅读更多...
基于PWM控制的三相整流器simulink仿真

基于PWM控制的三相整流器simulink仿真

整理了基于PWM控制的三相整流器simulink仿真模型&#xff0c;附赠报告&#xff0c;效果明显。 三相全桥PWM整流器,通过对电路进行SPWM控制,使得整流桥的交流输出端产生正弦PWM电压,对各相电压进行控制,就可以使各相电流为正弦波且和电压相位相同,从而使功率囚数为1。当电路工作…
阅读更多...
【华为】DHCP实验配置（接口下和全局下）

【华为】DHCP实验配置（接口下和全局下）

【华为】DHCP实验配置 拓扑实验要求设备核心交换机SVI配置接口下DHCP全局下DHCP PCPC1PC2 查看VLAN验证 配置文档 拓扑 实验要求 一台三层交换机&#xff0c;两台PC PC1 和 PC2 获取地址用DHCP方式&#xff0c;并处于不同VLAN 并指定PC1 是在接口下的DHCP获取&#xff0c;而PC…
阅读更多...
如何用python运用ocr技术来识别文字

如何用python运用ocr技术来识别文字

要先安装ocr技术，也就是光学符号识别，通过扫描等光学输入方式将各种票据、报刊、书籍、文稿及其他印刷品的文字转化为图像信息，再利用文字识别技术将图像信息转化为可以使用的文本的技术（我在百度百科抄的），市面上大多数的文本识别，都基本是ocr技术。那用python怎么搞呢…
阅读更多...
LCR 184.设计自助结算系统

LCR 184.设计自助结算系统

思路分析: 这个题,我们需要单调队列来维护当前的最大值,达到O(1)的时间复杂度,同时使用一个数组记录当前出现的元素 get_max就返回队头即可, add就在加入之前删除掉所有小于他的元素即可,等于的元素应该放在不删除.不然就会提前出现-1 而remove会比较有趣,他每次是返回数组的…
阅读更多...
c++ 快速复习第一部份

c++ 快速复习第一部份

去年有事无事学过一c++ ，，由于工作用不上，学来没有用，所以学得乱七八的，最近需要复习一下，因为最近想学习一下硬 件相关 第一 引用头文件和自定义头#include <iostream> using namespace std; //引用命名空间可以避免使用：：语法 int main() {默认输出写法：s…
阅读更多...
30V-STM32设计项目

30V-STM32设计项目

30V-STM32设计 一、项目描述 (已验证) 基于STM32c8t6芯片设计的开发板&#xff0c;支持4-30V宽电压输入&#xff0c;串口模式自动下载功能&#xff0c;支持串口和STlink&#xff0c;方式下载程序 二、原理图介绍 电源电路采用了DCDCLDO电路&#xff0c;如果是外接DC头供电的话&…
阅读更多...
20240422，C++文件操作

20240422，C++文件操作

停电一天之后&#xff0c;今天还有什么理由不学习呜呜……还是没怎么学习 目录 一&#xff0c;文件操作 1.1 文本文件 1.1.1 写文件 1.1.2 读文件 1.2 二进制文件 1.2.1 写文件 1.2.2 读文件 一&#xff0c;文件操作 文件操作可以将数据持久化&#xff0c;对文件操…
阅读更多...
windows或wsl1如何访问wsl2的docker的2375端口

windows或wsl1如何访问wsl2的docker的2375端口

-H tcp://localhost:2375 一定要使用localhost才可以在windows侧或wsl1侧访问systemctl daemon-reload systemctl restart dockerwsl1: export DOCKER_HOST=tcp://localhost:2375
阅读更多...
[CISCN 2022 东北]hana 题解（易语言逆向）

[CISCN 2022 东北]hana 题解（易语言逆向）

[CISCN 2022 东北]hana 脱壳过程 首先看一下程序信息程序检测到了UPX的特征，但是下面的特征又显示是VMP壳 使用010 Editor打开文件将两个VMP0和VMP1改成UPX0和UPX1并保存文件，接下来使用UPX脱壳分析程序 这里需要用到一个易语言反编译插件以及一个易语言函数查询网站 IDA易语…
阅读更多...
第3篇：创建Nios II工程之Hello_World＜二＞

第3篇：创建Nios II工程之Hello_World＜二＞

Q&#xff1a;上一期介绍完基本设计流程和实验原理&#xff0c;接着我们完成系统硬件设计部分&#xff0c;包括Platform Designer系统及Quartus工程。 A&#xff1a;依次搜索并添加Nios II Processor、JTAG UART、On-Chip Memory和System ID IP组件&#xff0c;连接各组件并As…
阅读更多...
帕鲁杯web mylove复现

帕鲁杯web mylove复现

题目给了源码和phpinfo()<?phpclass a{public function __get($a){$this->b->love();} }class b{public function __destruct(){$tmp = $this->c->name;}public function __wakeup(){$this->c = "no!";$this->b = $this->a;} }class xk{pub…
阅读更多...
AI图书推荐：《企业AI转型：如何在企业中部署ChatGPT？》

AI图书推荐：《企业AI转型：如何在企业中部署ChatGPT？》

Jay R. Enterprise AI in the Cloud. A Practical Guide...ChatGPT Solutions &#xff08;《企业AI转型&#xff1a;如何在企业中部署ChatGPT&#xff1f;》&#xff09;是一本由Rabi Jay撰写、于2024年由John Wiley & Sons出版的书籍&#xff0c;主要为企业提供实施AI转型…
阅读更多...
攻防世界-难度1- xxxorrr

攻防世界-难度1- xxxorrr

攻防世界-逆向-难度1 根据提示应该是异或加密，找到密文和密钥，再异或回去就得到原文。 参考 https://blog.csdn.net/qq_63699339/article/details/130657034 官方wp 逆向解法 梳理一下程序执行逻辑 1.在main函数之前的init-array段首先执行了sub84A在 ELF (Executable and Li…
阅读更多...
RabbitMQ工作模式(4) - 路由模式

RabbitMQ工作模式(4) - 路由模式

概念 路由模式&#xff08;Routing&#xff09;是 RabbitMQ 中的一种消息传递模式&#xff0c;也称为直连模式。它允许生产者将消息发送到一个交换机&#xff0c;并指定一个或多个路由键&#xff08;routing key&#xff09;&#xff0c;交换机根据路由键将消息路由到与之匹配的…
阅读更多...
leetcode(力扣) 2866. 美丽塔 II

leetcode(力扣) 2866. 美丽塔 II

原题链接 暴力做法 (时间复杂度 O(n^2)) 每次选取下标 i 为峰值, 进行 n 次，对每次取max就可以找打答案对于 i 左边的序列: 需要满足序列是非递减的, 同时每个值尽可能大 所以满足: 下标为 j 的位置上的数 <= 下标是 (j, i] 的最小的值 (等于时取得最大值) , 同时需要保证…
阅读更多...
推荐文章

Copyright @ 2022~2023