MOPSO算法思路和基本定义梳理

该算法的实现过程实际上就分为两个模块 1>初始化 2>更新，因为之前也没有用过PSO，直接上来就搞MOPSO的时候对于其中的一些定义和名词一知半解，对于理解整个算法的思路造成了困扰，下面就对于该算法的思路和一些名词定义做了梳理。

一．基础概念：

Parto最优解：一个决策向量是Pareto最优解，条件就是不存在另外一个决策向量支配它（目标向量的最优类似）

Parto最优解集：最优解组成的集合

Parto前沿、端面：所有的Pareto最优目标向量组成的曲面

存档: 即将非劣解存起来，非劣解就是无法严格对比出好坏，即有些目标好，有些目标差；存储pareto最优解集，也可以说是pareto临时最优断.其实就是用来存储每一代个体的pareto最优解。

Pbest：粒子本身经历过的最优位置，

Gbest: 是粒子群经历过的最优位置。

网格等分量: 自适应网格法里用到

存档阈值: 设定存档（pareto最优解）里的个体的数量，如果超过阙值，则根据自适应网格法来筛选，使个体数量减少到阙值

惯性因子、速度因子：更新粒子的速度公式里的参数

二．算法思路梳理

一)初始化：

需要初始化的参数：

粒子群大小；

迭代次数；

存档阈值；

初始化粒子速度、位置；

计算适应度值；

设置粒子的速度范围，位置范围；

存档；

惯性因子，速度因子；

网格等分量；

Pbest：初始化的pbest为粒子本身；

Gbest：初始化的gbest即从存档中随机选择一个，拥挤度越高被选择的概率越低

二)更新

1.更新速度V和x

速度和pbest和gbest有关

2.计算适应度

计算更新过位置和速度的种群中每个个体的适应度，记为新一代粒子群

3.更新pbest

   具体方法是：遍历种群中的每一个个体，比较历史每一个个体的pbest和新一代粒子群的适应度，决定是否要更新pbest。

4.更新存档：

1>第一轮：根据支配关系进行第一轮筛选，将劣解去除，得到Parto最优解集，加入到存档中。这时该存档中包含了旧一代种群的存档和新一代种群存档的集合。适应度集合也包含了新旧两代的

2>第二轮：在包含两代的存档中的粒子群根据支配关系进行第二轮筛选，将劣解去除，并计算存档粒子在网格中的位置

3>第三轮：若经过第二轮后，存档数量超过了存档阈值，则根据自适应网格法进行清除，拥挤度越高，被清除的概率越高，重新进行网格划分

5.更新全局最优gbest

     同样使用网格法，根据现在最新的存档生成网格，然后再网格中根据拥挤度随机选择一个领导者（也就是一个粒子），拥挤越度小，被选择的概率越大

三) 循环第二)步，直到收敛或者达到最大迭代次数则退出算法