✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
和声搜索算法(HSA)是一种基于音乐和声原理的新型元启发式算法。近年来,HSA因其简单有效而被广泛应用于各种优化问题。然而,HSA在处理多目标优化问题时存在收敛速度慢、多样性差等问题。为了解决这些问题,本文提出了一种高斯变异和声搜索多目标优化算法(GMHSA-MO)。该算法将高斯变异策略引入HSA,以增强种群多样性并提高收敛速度。此外,该算法还采用非支配排序和拥挤度计算机制,以维持种群的多样性并引导搜索过程向帕累托最优解集收敛。
引言
多目标优化问题(MOP)是指同时优化多个相互冲突的目标函数的问题。MOP在工程、经济、管理等领域有着广泛的应用。传统的MOP求解方法通常基于权重和法或聚合函数,但这些方法需要预先设定权重或聚合函数,并且可能导致次优解。元启发式算法,如粒子群优化(PSO)、遗传算法(GA)和HSA,由于其不依赖于问题特定的知识而受到广泛关注。
HSA是一种基于音乐和声原理的元启发式算法,其原理是模仿音乐家创作和声的过程。HSA将候选解表示为和声,其中每个音符表示一个决策变量。算法通过不断地修改和声来搜索最优解。
高斯变异和声搜索多目标优化算法
GMHSA-MO算法在HSA的基础上进行了改进,主要包括以下方面:
-
**高斯变异策略:**在HSA中,音符的修改通常采用随机扰动的方式。GMHSA-MO算法引入高斯变异策略,即根据高斯分布对音符进行扰动。高斯变异可以有效地增加种群多样性,防止算法陷入局部最优。
-
**非支配排序和拥挤度计算:**GMHSA-MO算法采用非支配排序和拥挤度计算机制来维持种群的多样性并引导搜索过程向帕累托最优解集收敛。非支配排序将种群中的个体按其支配关系进行排序,拥挤度计算则衡量个体周围的拥挤程度。在选择和更新种群时,GMHSA-MO算法优先选择非支配排序较高的个体,并在拥挤度较低的区域进行探索。
算法流程
GMHSA-MO算法的流程如下:
-
初始化种群,每个个体表示为一个和声。
-
计算每个个体的目标函数值和支配关系。
-
根据高斯变异策略修改和声。
-
计算每个个体的拥挤度。
-
选择和更新种群:优先选择非支配排序较高的个体,并在拥挤度较低的区域进行探索。
-
重复步骤2-5,直到达到终止条件。
实验结果
为了验证GMHSA-MO算法的性能,将其与HSA、NSGA-II和MOEA/D等经典多目标优化算法进行了比较。实验结果表明,GMHSA-MO算法在收敛速度、多样性和鲁棒性方面均优于其他算法。
结论
本文提出了一种高斯变异和声搜索多目标优化算法(GMHSA-MO)。该算法将高斯变异策略引入HSA,并采用非支配排序和拥挤度计算机制,有效地提高了算法的收敛速度、多样性和鲁棒性。GMHSA-MO算法在处理各种多目标优化问题时表现出良好的性能,为解决实际工程和科学问题提供了新的方法。
📣 部分代码
%% initialization and adding required paths
clear;clc;close all;
AddRequiredPaths;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%% Setting the parameters
for seed=1:10
HMS=50; % harmony memory size
N=50; % Ext archive size
HMCR=0.99; % HM considaration rate
Pc=0.1; % cross probability
Pbw=0.9; % global searching probability
PAR=0.9; % initial pitch adjucemnt rate
Dim=3; % solution dims
w=2;
% Lower and higher bounds
LB=-5;
LB=[LB -5*ones(1,Dim-1)];
HB=5;
HB=[HB 5*ones(1,Dim-1)]; % lower and higher bounds
bw=(HB-LB)*0.05; % pitch band width
%%%%%%%%%
dampingBW=0.99; % damping ratio for bandwidth and gaussian mutation sigma
sigma_mutation=(HB-LB)./20; % sigma value for gaussian mutation
Pgm=1/Dim; % mutation probability
if Dim == 1
Pgm = 0.1;
end
numberOfIterations=25; % number of iterations
objFun=@TP_KUR_objfun; % objective function
nObj=2; % number of objectives
%% path fixing
pw=pwd;
pw(pw=='\')='/';
%% constructing gmhs object
gmhs=GMHS(HMS,N,HMCR,Pc,Pbw,bw,Dim,LB,HB,dampingBW,PAR,...
numberOfIterations,objFun,nObj,sigma_mutation,Pgm);
%% running the algorithm
[p,iter]=RunAlgorithmHM(gmhs,seed,w);
%% saving the results
path=[pw '/final comparison results/KUR'];
if ~exist(path, 'dir')
mkdir(path)
end
save([path '/scenario-' num2str(seed) '.mat' ]);
end
%% the end
⛳️ 运行结果
🔗 参考文献
[1]孙梦昭.基于和声搜索算法的多目标优化算法研究[D].东北大学,2015.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类