基于非支配排序的多目标麻雀搜索算法（文末提供代码）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

算法简介

提示：这里可以添加本文要记录的大概内容：

麻雀搜索算法（Sparrow Search Algorithm， SSA） 是 2020 年提出的新型智能优化算法，在 SSA 中，每个优化问题的解类似于搜索空间中的一只麻雀，每只麻雀都有各自的能量，能量值用函数适应度值来表示， 其中麻雀分为发现者与参与者，发现者的适应度值通常大于参与者。 SSA 具有收敛速度快、参数较少且算法易实现等优点。

---

一、多目标概念

多目标优化概念与定义：在多目标优化问题中，我们通常有多个目标函数$f_1(\mathbf{x}),f_2(\mathbf{x}),\dots ,f_m(\mathbf{x}),$其中 $\mathrm{x}\in {\mathbb{R}}^n$是决策变量向量。目标是寻找一组决策变量值,使得所有目标函数尽可能优化。但由于目标间的冲突性，我们寻找的是 Pareto 最优解集而不是单个全局最优解。

Pareto 最优解： 在多目标优化中，一个决策向量 xxx 被称为 Pareto 最优解（Pareto optimal solution），如果不存在另一个决策向量y 使得对于所有的目标函数$f_i,f_i(y)\le f_i(x)$,并且至少有一个不等号严格成立 $(\text{即 }{f}_j(y)<f_j(x)\text{ 对某个 }j)$,这意味着在不损害其他任何目标的前提下，无法进一步改善任何一个目标。Pareto 最优解集合也被称为 Pareto前沿（Pareto frontier）或有效解集

非支配排序（Non-Dominated Sorting）： 非支配排序是多目标优化中一种重要的预处理技术，特别是在进化算法如NSGA-II（Non-dominated Sorting Genetic Algorithm II）中得到广泛应用。其基本思想是对解决方案进行分层分类，根据它们是否在决策空间中相互支配。

非支配排序算法步骤概述：

1. 初始化阶段： 将所有解放入待排序集合中。
2. 比较阶段： 对每一对解进行比较，如果一个解在所有目标函数上都不劣于另一个解（即不被后者支配），则将后者标记为“被支配”。
3. 层级划分： 根据支配关系将解分为不同的层级（ fronts），第一层级包含所有非支配解（Pareto最优解），后续层级包含次优解。
4. 迭代更新： 在每个层级内部完成比较后，去除已被支配的解，并继续对剩余解进行新一轮的非支配排序，直至所有解都被正确归类到各自的层级。
5. 通过非支配排序，算法能够在每次迭代过程中保留并优先选择那些更接近Pareto前沿的解，从而有效地推进搜索过程。

二、麻雀搜索算法

圈养家麻雀分为“探索者”和“追随者”2 种，探索者主要是为种群提供整个麻雀群觅食的区域和方向，追随者通过探索者来获取食物，麻雀种群中探索
者和追随者的身份是动态变化的，可以发生转换．同时，种群中部分麻雀为“侦察者”，承担侦察预警工作，它们在觅食的过程中时刻注意周围环境，一旦察觉到捕食者威胁，会迅速逃离当前位置． 麻雀搜索算法就是模拟麻雀种群搜索食物的过程设计的算法：

2.1探索者

2.2 追随者

2.3 警戒者

标题多目标麻雀搜索算法流程图

3 CEC函数测试

在这里，我们将使用46个知名测试函数（包括当前SCI和核心中使用最为广泛的函数）对其进行测试，其中包括：
ZDT1、ZDT2、ZDT3、ZDT4、ZDT6
DTLZ1-DTLZ7
wfg1-wfg10
uf1-uf10
cf1-cf10
Kursawe、Poloni、Viennet2、Viennet3

3.1 测试函数图

ZDT1

ZDT2

DTLZ2

WFG1

结论

本文改进用的是非支配排序，但是有一问题，就是原始的SSA有很强的归0性，所以后期需要对SSA进行改进，对原始的公式加入一些扰动策略，会使得它在多目标上的表现变得更好，具体的更改，可以自己进行探索，或者询作者。

完整代码

完整代码请点击