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