【智能优化算法】基于多策略协同多目标萤火虫算法求解多目标优化问题含Matlab源码...-CSDN博客

1 简介

现实中的多目标优化问题不断增多且日益复杂,需要不断发展新型启发式算法应对挑战.提出一种多策略协同的多目标萤火虫算法MOFA-MCS.该算法采用均匀化与随机化相结合的方法产生初始种群;利用档案集中的精英解个体指导萤火虫移动;并在移动的过程施加Lévy flights随机扰动;最后,利用ε-三点最短路径策略维护档案解群的多样性.MOFA-MCS算法与其他6种经典的多目标进化算法一同在12个基准的多目标测试问题上进行实验,结果表明所提算法在收敛性,多样性方面总体上具有显著的性能优势.

2 部分代码


          
          
           
           function MOFA_MOCS_ZDT1
           
           
    %多策略协同多目标萤火虫算法
           
           
    %Programmed by Kevin Kong
           
           
    %测试问题ZDT-1
           
           
    clc;
           
           
    global NP N T_MAX gamma beta0 epsilon M V
           
           
    NP = 100;%种群大小
           
           
    T_MAX = 500;%最大迭代次数
           
           
    N = 100;%外部档案规模
           
           
    gamma = 1;%光吸收系数
           
           
    beta0 = 1;%最大吸引力
           
           
    M = 2;%目标函数个数
           
           
    V = 30;%决策变量个数
           
           
    t = 1;%迭代次数
           
           
    epsilon = get_epsilon();
           
           
    %变量范围在[0,1]
           
           
    min_range = zeros(1,V);
           
           
    max_range = ones(1,V);
           
           
    pop = init(NP,M,V,min_range,max_range);%初始化种群
           
           
    Arc = pop(non_domination_sort(pop,M,V),:);%非支配排序
           
           
    while(t <= T_MAX)
           
           
        plot(pop(:,V+1),pop(:,V+2),'*');
           
           
        str = sprintf('第%d代',t);
           
           
        title(str);
           
           
        drawnow;
           
           
        offspring = pop;%子代
           
           
        for i = 1:NP
           
           
            for j = 1:NP
           
           
                domination = get_domination(pop(i,:),pop(j,:),M,V);
           
           
                if(domination ~= -1)
           
           
                    %i和j之间存在支配关系
           
           
                    g = Arc(1+fix((size(Arc,1)-1)*rand(1)),:);%从Arc里随机选取一个个体作为g*
           
           
                    if(domination == 0)
           
           
                        %i支配j
           
           
                        offspring(j,1:V) = firefly_move(pop(i,:),pop(j,:),V,beta0,gamma,true,g);
           
           
                        offspring(j,1:V) = outbound(offspring(j,1:V),V,min_range,max_range);
           
           
                    else
           
           
                        %j支配i
           
           
                        offspring(i,1:V) = firefly_move(pop(j,:),pop(i,:),V,beta0,gamma,true,g);
           
           
                        offspring(i,1:V) = outbound(offspring(i,1:V),V,min_range,max_range);
           
           
                    end
           
           
                else
           
           
                    %i和j之间不存在支配关系
           
           
                    g = Arc(1+fix((size(Arc,1)-1)*rand(1)),:);%从Arc里随机选取一个个体作为g*
           
           
                    res = firefly_move(pop(i,:),pop(j,:),V,beta0,gamma,false,g);
           
           
                    offspring(i,1:V) = res(1,:);
           
           
                    offspring(i,1:V) = outbound(offspring(i,1:V),V,min_range,max_range);
           
           
                    offspring(j,1:V) = res(2,:);
           
           
                    offspring(j,1:V) = outbound(offspring(j,1:V),V,min_range,max_range);
           
           
                end
           
           
            end
           
           
        end
           
           
        pop = offspring;%更新萤火虫位置
           
           
        for i = 1:N
           
           
            pop(i,V+1:V+M) = evaluate_objective(pop(i,:));%评估萤火虫个体
           
           
        end
           
           
        Arc = update_Arc(pop,Arc,N,M,V,epsilon);%利用ε-三点最短路径方法维持Arc档案
           
           
        t = t + 1;
           
           
    end
           
           
end
           
           
%% 
           
           
function f = init(N,M,V,min,max)
           
           
    %初始化种群，随机生成个体并计算其适度值
           
           
    %N:种群大小
           
           
    %M:目标函数数量
           
           
    %V:决策变量数
           
           
    %min:变量范围下限
           
           
    %max：变量范围上限
           
           
    f = [];%存放个体和目标函数值,1:V是决策变量，V+1:V+2是目标函数值
           
           
    for j = 1:V
           
           
        delta(j) = (max(j) - min(j))/N;%将决策变量x(j)的区间均匀划分成N等分;
           
           
        lamda = min(j):delta(j):max(j);%得到N个子区间
           
           
        for i = 1:N
           
           
            %从N个子区间中随机选择一个
           
           
            [~,n] = size(lamda);%获得子区间个数n
           
           
            rand_n = 1 + fix((n-2)*rand(1));%随机位置
           
           
            min_range = lamda(rand_n);%获得子区间的下限
           
           
            max_range = lamda(rand_n+1);%获得子区间的上限
           
           
            f(i,j) = min_range + (max_range - min_range)*rand(1);%随机生成
           
           
            lamda(rand_n) = [];%删除该子区间
           
           
        end
           
           
    end
           
           
    %计算个体的适度值
           
           
    for i = 1:N
           
           
        f(i,V+1:V+M) = evaluate_objective(f(i,:));%计算目标函数值
           
           
    end
           
           
end
           
           
%%
           
           
function f = evaluate_objective(x)
           
           
    %根据目标函数计算适度值，测试方法：ZDT-1
           
           
    global V 
           
           
    f = [];
           
           
    f(1) = x(1);%目标函数1
           
           
    g = 1;
           
           
    g_tmp = 0;
           
           
    for i = 2:V
           
           
        g_tmp = g_tmp + x(i);
           
           
    end
           
           
    g = g + 9*g_tmp/(V-1);
           
           
    f(2) = g*(1-sqrt(x(1)/g));%目标函数2
           
           
end
           
           
%%