多目标粒子群优化算法——MOPSO
多目标粒子群优化算法——MOPSO
参考文献:MOPSO : A Proposal for Multiple Objective Particle Swarm Optimization
MOPSO是多目标优化算法中比较常见的一种算法,是学习多目标优化算法的”必经之路“。
MOPSO的创新点是使用了外部存储库和基于网格的粒子分布方法来保持种群的多样性,其中外部存储库是存储每次迭代的非支配解集。(非支配解:举个例子,A沙发的特征是大和软,B沙发的特征是小和硬,当我们期望的最优解是大和软时,那么就可以说A支配B,如果A沙发的特征是大和硬,B沙发的特征是小和软,那么我们就说A和B互不支配,)
下面就根据步骤详细的说明一下MOPSO算法流程:
一、对目标空间进行分割
在这一部分中主要的操作就是对目标空间进行分割,例如对二维目标空间来说将其分割成M*M的空间,其中这个M可以是用户自定义的,这里不用纠结过多,对目标空间分割完成后,我们可以完成以下几件事:
- 为网格中的每个空间编序号。
- 为种群中的每个粒子进行定义网格编号,
- 计算每个粒子的拥挤度,我在这里是根据粒子所在网格中的粒子的数目来作为粒子的拥挤度的。
二、初始化
对种群粒子的位置、速度、适应度值、个体最优、外部存储库Archive、全局最优进行初始化。
三、更新
根据用户定义的迭代次数进行更新:
- 更新粒子的位置和速度,我们根据PSO算法中的公式来进行更新。然后确保是否越界。
- 计算粒子的适应度值。
- 计算粒子的个体最优,只需要将现在计算的适应度值与个体最优进行对比,然后及逆行更新。
- 更新Archive集,计算种群的非支配解,如果非支配解的数量超过了外部存储库的大小(大小可以是用户自己定义的)则通过拥挤度来随机进行删除,拥挤度越高的粒子被删除的几率越大。
- 更新全集最优,这就是我们为什么先去计算出Archive集,然后在计算gbest,因为这样的话我们就可以在Archive集中选择出全局最优,全局最优的选择根据粒子所在网格的粒子数目来随机的选择出相应的粒子作为pbest,同样粒子所在网格的拥挤度越高则越不容易被选择(归一化后其概率越低)
四、输出
当迭代次数完成后输出相应的Archive集。