platEMO：一款强大的多目标优化工具（MATLAB）的扩展操作——操作实例

前言

后台有很多人催更我关于platEMO的操作实例，实在是由于科研期间琐事太多了，因此文章更新就停滞了（其实说白了就是自己太懒了），根据大家问我最多的几个问题，这次博客主要分为两部分：增加问题和增加算法。一些架构和官方的介绍可以参考我之前的两篇博客。这篇博客直接说怎么添加。除了matlab以外，还有一个python有关进化算法的库叫做geatpy，也非常不错，他的网址：http://geatpy.com，里面有详细的教程，感兴趣的朋友可以去学习一下。

增加问题

每一个多目标优化问题在platEMO中由一个.m文件表示，该文件应该放在文件夹Problems中。即我们首先需要在Problems这个文件夹新建一个我们问题的文件夹。我们定义一个多目标优化问题一般需要考虑他的问题个数Global.M，变量的个数Global.D，变量的上界Global.upper，变量的下界Global.lower，以及变量的编码方式Global.encoding，最后就是目标函数的形式(包括约束条件)了。以下我们以带约束的DTLZ1()函数为例说明问题是如何增加的。

classdef C1_DTLZ1 < PROBLEM
% <problem> <DTLZ variant>%如果你想在GUI界面去调用你的问题，这里<>必须起一个你问题自己的名字
% Constrained DTLZ1%如果你想在GUI界面去调用你的问题，这里<>必须起一个你问题自己的名字
    methods
        %% Initialization
        function obj = C1_DTLZ1()
            if isempty(obj.Global.M)
                obj.Global.M = 3;%定义你优化问题的目标个数
            end
            if isempty(obj.Global.D)
                obj.Global.D = obj.Global.M + 4;%定义你优化问题的变量个数，在DTLZ1中为目标个数加4
            end
            obj.Global.lower    = zeros(1,obj.Global.D);定义你的优化问题的下界
            obj.Global.upper    = ones(1,obj.Global.D);定义你优化问题的上界
            obj.Global.encoding = 'real';%定义你优化问题的编码方式，例如实数编码码'real',platEMO提供三种编码方式：'binary'二进制编码；'permutation'排列编码以及其他实数编码，根据你的优化问题的实际搜索空间可以自行选择
        end
        %% Calculate objective values计算目标函数值
        function PopObj = CalObj(obj,PopDec)
            [N,D]  = size(PopDec);%首先我们需要得到种群大小N和自变量个数D
            M      = obj.Global.M;%得到目标个数
            g      = 100*(D-M+1+sum((PopDec(:,M:end)-0.5).^2-cos(20.*pi.*(PopDec(:,M:end)-0.5)),2));
            PopObj = 0.5*repmat(1+g,1,M).*fliplr(cumprod([ones(N,1),PopDec(:,1:M-1)],2)).*[ones(N,1),1-PopDec(:,M-1:-1:1)];%给出自己问题的表达式，如果是黑盒优化问题，这里需要将黑盒问题抽象成包含输入和输出的接口形式，注意输入的矩阵PopDec每一行代表种群中的一条染色体，黑盒问题需要可以接受这样的输入形式，如果黑盒优化的函数只能一个个染色体计算，那么需要用for循环算出每一个染色体在不同目标上对应的目标函数值，再合成矩阵PopObj。
        end
        %% Calculate constraint violations计算目标函数的约束值，没有约束的话，可以不写这个接口函数
        function PopCon = CalCon(obj,PopDec)
            PopObj = obj.CalObj(PopDec);
            PopCon = PopObj(:,end)/0.6 + sum(PopObj(:,1:end-1)/0.5,2) - 1;%值得注意的是，约束必须要写成g(x)>=0的形式哦，这里计算的g(x)的值
        end
        %% Sample reference points on Pareto front%这里是优化问题的最优PF，在实际问题中我们是得不到最优的PF的，因此实际问题时直接省略就可以的，这里C1_DTLZ1函数是学者们构造出来用来测试算法性能的，因此我们可以得到PF的理论解。
        function P = PF(obj,N)
            P = UniformPoint(N,obj.Global.M)/2;
        end
    end

end

首先由于C1_DTLZ1是PROBLEM的一个子类，每个操作都是一个重载方法。以上每条代码都给出来详细的注释，参考这些就可以加入自己的方法啦。一下有两点值得注意的事项：

1. 决策变量在三种情况下可能是不可行的。首先，对于连续MOPs，它可能大于全局上界（GLOBAL.upper）或小于下界（GLOBAL.lower）。在这种情况下，它将被INDIVIDUAL的类设置为边界值，而MOP类不需要处理这种情况。其次，它可能没有满足约束(一个正的约束违背表明这个约束没有被满足)，在这种情况下，