1.软件版本
matlab2021a
2.本算法理论知识
NSGA-II适合应用于复杂的、多目标优化问题。是K-Deb教授于2002在论文:A Fast and Elitist Multiobjective Genetic Algorithm:NSGA-II,中提出。在论文中提出的NSGA-II解决了NSGA的主要缺陷,实现快速、准确的搜索性能。NSGA的非支配排序的时间复杂度为O(MN3)O(MN3),在种群规模N较大时排序的速度会很慢。NSGA-II使用带精英策略的快速非支配排序,时间复杂度为O(M(2N)2)O(M(2N)2),排序速度有大幅的提升。而且使用了精英策略,保证了找到的最优解不会被抛弃,提高了搜索性能。另一方面NSGA使用共享函数来使解分布均匀,该函数依赖于共享参数σshareσshare的选择,而且共享函数的复杂度高达O(N2)O(N2)。NSGA-II从新定义了拥挤距离来代替共享参数。其算法流程如下:
3.核心代码
clc;
clear;
close all;
warning off;
global Len;
global WindDataPV;
global SolarDataPVR;
global LoadDataPV;
%数据长度
Len = 876;
[WindDataPV,SolarDataPVR,LoadDataPV] = ReadLocalClimaticData(Len);
%初始化参数
popnum = 120;
gen = 100;
%变量取值范围
xmin = 0;
xmax = 1;
%目标函数个数
m = 3;
%决策变量数目
n = 30;
%交叉变异参数
hc = 15;
hm = 15;
%产生初始种群
initpop = rand(popnum,n)*(xmax-xmin)+xmin;
init_value_pop = value_objective(initpop,m,n);
%画图显示初始图
figure
plot(init_value_pop(:,n+1),init_value_pop(:,n+m),'B+')
pause(.1)
%非支配排序和聚集距离计算
[non_dominant_sort_pop,rankinfo] = non_dominant_sort(init_value_pop,m,n);
ns_dc_pop = crowding_distance(non_dominant_sort_pop,m,n,rankinfo);
%选择,交叉,变异产生下一个子代
%选择进行交叉变异的个数
poolsize = round(popnum/2);
%选择锦标赛的元度
toursize = 2;
select_pop = selection(ns_dc_pop,poolsize,toursize,m,n);
%存储交叉变异相关参数
hc = 20;
hm = 20;
offspring = genetic_operate(select_pop,m,n,hc,hm,xmax,xmin);
%循环开始
t=1;
while t<=gen
t
%合并种群(2N),进入循环
combine_pop(1:popnum,1:m+n+2) = ns_dc_pop;
[xsize,ysize] = size(offspring);
combine_pop(popnum+1:popnum+xsize,1:m+n+2) = offspring;
%重新进行非支配排序和聚焦距离计算
[gen_non_dominant_pop,rankinfo] = non_dominant_sort(combine_pop,m,n);
nsdc_pop = crowding_distance(gen_non_dominant_pop,m,n,rankinfo);
%选择下一代的产生(然后用于交叉变异)
ns_dc_pop = generate_offsprings(nsdc_pop,m,n,popnum);
%显示下一代的情况N_decision_var
if m==2
plot(ns_dc_pop(:,n+1),ns_dc_pop(:,n+2),'r*')
elseif m==3
plot3(ns_dc_pop(:,n+1),ns_dc_pop(:,n+2),ns_dc_pop(:,n+3),'kd')
xlabel('Function 1');
ylabel('Function 2');
zlabel('Function 3');
view([44,34]);
end
grid on;
text(0,0,0,['第 ',int2str(t),' 代']);
pause(0.1)
%选择,交叉,变异产生下一个子代
poolsize = round(popnum/2);%选择进行交叉变异的个数
toursize = 2;%选择锦标赛的元度
select_pop = selection(ns_dc_pop,poolsize,toursize,m,n);
hc = 20;%存储交叉变异相关参数
hm = 20;
offspring = genetic_operate(select_pop,m,n,hc,hm,xmax,xmin);
t = t+1;
end
%显示标题
xlabel('经济效益');
ylabel('缺失率%');
zlabel('排污水平');
view([44,34]);
4.操作步骤与仿真结论
运行NSGA2.m,得到如下仿真结果:
三目标优化的优化目标为:
全寿命周期经济现值,排放水平,负荷容量缺电率;
用NSGAii算法,则可以方便的得到其对应的三维图,获得如下的结果:
5.参考文献
[1]刘旭红, 刘玉树, 张国英,等. 多目标优化算法NSGA-II的改进[J]. 计算机工程与应用, 2005, 41(15):3.
A06-33
6.完整源码获得方式
方式1:微信或者QQ联系博主