文章目录
前言
小龙虾优化算法COA的进一步拓展,即多目标小龙虾优化算法MOCOA
一、多目标小龙虾优化算法(MOCOA)
多目标小龙虾优化算法MOCOA,为较新的优化算法,具有较强的研究价值。
经过单目标测试函数和多目标测试函数的测试均可表明,该算法具有较好的性能,并且还是在水平较高的期刊发表,值得进一步写论文研究。
二、多目标测试函数
本代码共计46种测试函数外加1种应用,测试函数分别为:
%1-5:ZDT1、ZDT2、ZDT3、ZDT4、ZDT6
%6-12:DTLZ1-DTLZ7
%13-22:wfg1-wfg10
%23-32:uf1-uf10
%33-42:cf1-cf10
%43-46:Kursawe、Poloni、Viennet2、Viennet3
三、评价指标及多目标测试函数结果
算法评价指标为IGD、GD、HV、Spacing
MOGWO只有ZDT1、ZDT2、ZDT3、ZDT4四种测试函数,其他函数可根据MOCOA自行写出
为了对比时可以清晰的看出对比效果(如果初始种群数量设置过大,则所有解均在帕累托前沿上,无法体现算法性能),MOCOA与MOGWO种群数量均设置为20,想增强求解能力,增大需要增大种群数量。
部分效果如下所示:图一中,MOCOA明显相比于MOGWO明显分布更加均匀,效果更优。
总结
该代码为MOCOA多目标小龙虾优化算法在46种测试函数上求解的代码(还有多目标灰狼优化算法可做对比),您可在此基础上进行改进提升性能,并应用到自己的问题上。