✅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
指数分布优化器(EDO)是一种启发式方法,它利用指数分布理论来识别复杂优化问题的全局解。本研究通过引入其多目标版本,即多目标 EDO(MOEDO),扩展了 EDO 的适用性,该版本增强了精英非支配排序和拥挤距离机制。MOEDO 中集成了信息反馈机制 (IFM),旨在平衡探索和利用,从而提高收敛性并减轻传统方法中的局部最优停滞,这是传统方法中的一个显着限制。我们的研究表明,MOEDO 优于 MOMPA、NSGA-II、MOAOA、MOEA/D 和 MOGNDO 等著名算法。这在 72.58% 的测试场景中很明显,利用了 GD、IGD、HV、SP、SD 和 RT 等性能指标,涵盖了基准测试集合(DTLZ、ZDT 和各种约束问题)和五个实际工程设计挑战。Wilcoxon 秩和检验 (WRST) 进一步证实 MOEDO 是一种有竞争力的多目标优化算法,尤其是在现有方法难以平衡多样性和收敛效率的情况下。即使在复杂的实际应用中,MOEDO 的强大性能也凸显了其作为优化领域创新解决方案的潜力。
引言
优化问题在各个领域无处不在,从工程设计到金融建模。传统优化方法通常依赖于梯度信息,这限制了它们在复杂非线性问题中的应用。启发式方法,例如进化算法和群智能算法,提供了替代方案,但它们可能难以平衡探索和利用,从而导致收敛到局部最优。
指数分布优化器(EDO)
EDO 是一种启发式优化算法,它利用指数分布理论来识别全局解。它基于这样一个假设:在优化过程中,目标函数值的分布服从指数分布。通过拟合指数分布,EDO 可以估计最优解的位置,并指导搜索过程。
多目标 EDO(MOEDO)
为了扩展 EDO 的适用性,我们提出了多目标 EDO(MOEDO),它可以处理具有多个目标的优化问题。MOEDO 结合了精英非支配排序和拥挤距离机制,以维护多样化的解集并促进收敛到帕累托前沿。
信息反馈机制(IFM)
为了进一步提高 MOEDO 的性能,我们集成了一个信息反馈机制 (IFM)。IFM 监控搜索过程并根据当前解的分布调整算法参数。这有助于平衡探索和利用,避免陷入局部最优。
实验结果
我们对 MOEDO 进行了广泛的实验评估,将其与 MOMPA、NSGA-II、MOAOA、MOEA/D 和 MOGNDO 等著名算法进行了比较。测试场景包括基准测试集合(DTLZ、ZDT 和各种约束问题)和五个实际工程设计挑战。
结果表明,MOEDO 在 72.58% 的测试场景中优于其他算法。它在 GD、IGD、HV、SP、SD 和 RT 等性能指标上表现出显着优势。Wilcoxon 秩和检验 (WRST) 进一步证实了 MOEDO 作为一种有竞争力的多目标优化算法的地位。
结论
多目标 EDO(MOEDO)是一种创新算法,它扩展了 EDO 的适用性,使其能够解决多目标优化问题。通过结合精英非支配排序、拥挤距离机制和信息反馈机制,MOEDO 实现了探索和利用之间的有效平衡,从而避免了局部最优停滞。我们的实验结果表明,MOEDO 优于其他著名的多目标优化算法,并具有解决复杂实际工程设计挑战的潜力。
📣 部分代码
%____________________________________________________________________________________
% Multi-objective exponential distribution optimizer (MOEDO) source codes version 1.0 (NDS+CD)
% Author and programmer: Pradeep Jangir
% Authors:- Kanak Kalita, Janjhyam Venkata Naga Ramesh, Lenka Cepova, Sundaram B. Pandya, Pradeep Jangir & Laith Abualigah
% e-Mail: pkjmtech@gmail.com
% Multi-objective exponential distribution optimizer (MOEDO): a novel math-inspired multi-objective algorithm for global optimization and real-world engineering design problems
% Kanak Kalita, Janjhyam Venkata Naga Ramesh, Lenka Cepova, Sundaram B. Pandya, Pradeep Jangir & Laith Abualigah
% Scientific Reports volume 14, Article number: 1816 (2024)
% DOI:https://doi.org/10.1038/s41598-024-52083-7%
%____________________________________________________________________________________
clc;
clear;
close all;
% Problem Configuration
ObjectiveFunction = @ZDT1; % Objective function handle
dim = 2; % Number of dimensions
ub = ones(1, dim); % Upper bounds (assuming 1 for all dimensions)
lb = zeros(1, dim); % Lower bounds (assuming 0 for all dimensions)
obj_no = 2; % Number of objectives
% Algorithm Parameters
max_iter = 100; % Maximum number of iterations
ArchiveMaxSize = 100; % Maximum size of the archive
Archive_X = zeros(ArchiveMaxSize, dim); % Initialize archive solutions
Archive_F = ones(ArchiveMaxSize, obj_no) * inf; % Initialize archive fitnesses
Archive_member_no = 0; % Number of members in the archive
Xwinners = initialization(ArchiveMaxSize, dim, ub, lb); % Population initialization
Fitness = zeros(ArchiveMaxSize, obj_no); % obj_no is the number of objectives, which is 2
for i = 1:ArchiveMaxSize
Fitness(i, :) = ObjectiveFunction(Xwinners(i,:));
end
Memoryless=Xwinners;
% Main loop for MOEDO algorithm
for iter = 1:max_iter
V=zeros(ArchiveMaxSize,dim);
[Fitness,sorted_indices]=sort(Fitness);
temp_Xwinners=Xwinners;
Xwinners=temp_Xwinners(sorted_indices,:);
d=(1-iter/max_iter);
f= 2*rand-1;
a=f^10;
b=f^5;
c=d*f;
sum=(Xwinners(1,:)+Xwinners(2,:)+Xwinners(3,:));
X_guide=(sum/3);
for i=1:ArchiveMaxSize
alpha=rand;
if alpha<0.5
if Memoryless(i,:)==Xwinners(i,:)
Mu=(X_guide+Memoryless(i,:))/2.0;
ExP_rate=1./Mu;
variance=1./ExP_rate.^2;
V(i,:)=a.*(Memoryless(i,:)-variance)+b.*X_guide;
else
Mu=(X_guide+Memoryless(i,:))/2.0;
ExP_rate=1./Mu;
variance=1./ExP_rate.^2;
phi=rand;
V(i,:)=b.*(Memoryless(i,:)-variance)+log (phi).*Xwinners(i,:);
end
else
M=mean(Xwinners);
s=randperm(ArchiveMaxSize);
D1=M-Xwinners(s(1),:);
D2=M-Xwinners(s(2),:);
Z1=M-D1+D2;
Z2=M-D2+D1;
V(i,:)=(Xwinners(i,:)+(c.*Z1+(1-c).*Z2)-M);
end
F_UB=V(i,:)>ub;
F_LB=V(i,:)<lb;
V(i,:)=(V(i,:).*(~(F_UB+F_LB)))+ub.*F_UB+lb.*F_LB;
end
for i=1:ArchiveMaxSize
for j=1:dim
Memoryless(i,j)=V(i,j);
end
end
V_Fitness = zeros(ArchiveMaxSize, obj_no); % obj_no is the number of objectives
for i = 1:ArchiveMaxSize
V_Fitness(i, :) = ObjectiveFunction(V(i,:));
Xwinners(i, :) = V(i, :);
Fitness(i, :) = V_Fitness(i, :);
end
% Non-dominated Sorting and Crowding Distance Calculation
Combined_X = [Xwinners; Archive_X(1:Archive_member_no, :)];
Combined_F = [V_Fitness; Archive_F(1:Archive_member_no, :)];
[fronts, ~] = NonDominatedSorting(Combined_F);
crowdingDistances = CrowdingDistance(Combined_F, fronts);
% Update Archive using NSGA-II strategies
[Archive_X, Archive_F, Archive_member_no] = UpdateArchiveUsingNSGAII(fronts, crowdingDistances, Combined_X, Combined_F, ArchiveMaxSize);
% Display iteration information
disp(['At iteration ', num2str(iter), ', MOEDO has ', num2str(Archive_member_no), ' non-dominated solutions in the archive']);
end
% Plotting the results
figure;
Draw_ZDT1(); % Function to draw the true Pareto Front (assuming it is defined)
hold on;
plot(Archive_F(:, 1), Archive_F(:, 2), 'ro', 'MarkerSize', 8, 'markerfacecolor', 'k');
legend('True PF', 'Obtained PF');
title('MOEDO');
set(gcf, 'pos', [403 466 230 200]); % Setting the figure position and size
⛳️ 运行结果
🔗 参考文献
Kalita, K., Ramesh, J.V.N., Cepova, L. et al. Multi-objective exponential distribution optimizer (MOEDO): a novel math-inspired multi-objective algorithm for global optimization and real-world engineering design problems. Sci Rep 14, 1816 (2024). https://doi.org/10.1038/s41598-024-52083-7
🎈 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