多目标粒子群算法(MOPSO)的原理和matlab实现

算法原理部分参考文献基于改进多目标粒子群算法的配电网储能选址定容

0.前言
        初学者面对多目标优化问题可能比较困难，写下这篇博客记录一下自己学习的心得，希望能和大家一起交流学习。

        采用粒子群求单目标优化问题的原理很好理解，就是通过对粒子群的速度和位置不断来更新粒子群的最优适应度(也就是目标函数)，达到寻优的目的。但是多目标优化问题就比较难办了，由于目标函数有多个，如果同样使用粒子群算法，那么适应度怎么设置？怎么确定全体最优的粒子？这些问题都是比较棘手的。

        目前采用粒子群算法求解多目标问题主要有两大类处理方式：

        1.通过加权求和、灰色关联度分析、topsis、层次分析法等方法对多个目标函数进行处理，将多目标问题转换为单目标问题，然后仿照单目标问题进行求解；

        2.在迭代时以一定规则选择全体最优及个体最优的粒子，然后通过迭代求取pareto解集，最后根据需求从pareto解集中选取一个最合适的方案。

        第一种方式本质上还是单目标优化问题，这篇主要介绍一下第二种方法：

一、一些名词的解释
1.支配与非支配
        我们知道在粒子群算法中一个粒子就代表优化问题的一个解(也可以说是方案)，如果说在一个多目标优化问题中，解1得到的所有目标函数全部优于解2，那么就说解2被解1支配。啥意思呢，举个例子，比如咱们的优化目标是选房子，目标函数包括房子租金和面积。A租金1800/月，面积100m²，B租金2800/月，面积40m²，显然A完全优于B，那么就说解B被解A支配；再有C租金1600/月，面积80m²，C的