多目标优化NSGA-II的实现和测试（MATLAB实现）

最新推荐文章于 2024-08-20 23:08:56 发布
最新推荐文章于 2024-08-20 23:08:56 发布
阅读量9.4k 收藏 66
点赞数 9
分类专栏： 基于NSGA-II算法的研究 文章标签： matlab 开发语言 算法 序列最小化优化算法 1024程序员节
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44034444/article/details/120926124
版权
该博客介绍了NSGA-II算法的MATLAB实现过程，包括种群初始化、非支配排序、遗传操作等关键步骤，并展示了在ZDT1-6测试函数上的应用和结果。针对不同测试函数，分析了算法的表现，指出在某些函数上可能需要改进策略以获得更好的优化结果。
摘要由CSDN通过智能技术生成



NSGA-II系列文章目录

第一章 基于NSGA-II算法的研究和改进
第二章 进化算法框架的介绍及Matlab实现（遗传算法）
第三章 NSGA-II的算法介绍
第四章 传统的NSGA-II的实现和测试（MATLAB实现）
第五章 NSGA-II的算法的改进及测试结果


前言

NSAG-II框架的MATALB实现。测试函数为ZDT1--6。

种群的数据结构：[dimension+target_evaluate+rank+distance]                                                           即为：popsize*(变量的维度+目标评估数量+支配排序的个体等级+拥挤距离）的矩阵

函数：由于代码过多，这里就只放几个函数的代码，整个代码文件需要的可以查看以下链接

多目标优化NSGA-II的实现（MATLAB完整代码）_羽丶千落的博客-CSDN博客icon-default.png?t=LBL2https://blog.csdn.net/weixin_44034444/article/details/122292991

  1. function [pop,i,GD,SP] = nsga2_main(x)        %主函数
  2. function [bounds,dimension] = get_variable_bounds(x)       %确定测试函数的变量及范围
  3. function pop = init_pop(pop_size,dimension,bounds,x)        %初始化种群
  4. function pop = sort_pop(pop_eva,target,dimension)             %非支配排序及计算拥挤距离
  5. function parent_pop = select_parent(pop,parent_size,compare_size)    %父代个体的选择
  6. function child_pop = myga(parent_pop,dimension,bounds,x)    %GA算法中的杂交和变异
  7. function pop = combined_pop(pop,child_pop,target,dimension)    %合并父代和子代个体
  8. function pop = select_pop(pop,target,dimension,pop_size)           %选择新一代种群
  9. function evaluate = calculate_pop(pop,x)    %计算种群
  10. function sp= calculate_sp(pop)                    %计算SP
  11. function gd= calculate_gd(pop)                    %计算GD



一、简单的框架描述

这是在开始写代码之前自己初始定的框架，了解自己需要完成那些内容，需要定义那些参数，定义那些函数。这个不是很完善，是一个初始化版本，后续也没有维护这个，这个只作为一个参考

主函数：
参数设置：
    种群大小pop_size
    迭代次数iterations
    种群取值范围bounds
    目标数量：target
    目标维度：dimension
    种群初始化
    初始非支配排序
for 1 ：迭代次数
	选择父代个体P_pop
	遗传算法产生子代个体C_pop
	原始种群Y_pop和子代C_pop合并为Pop
	对Pop进行非支配排序
	选择新一代种群Y_pop
end
	
其他函数：
种群初始化函数  pop = initialize(pop_size,bounds,dimension)
	初始化种群，计算种群适应值。

种群适应值计算函数  evaluate = calculate_pop(pop_d) 
	计算种群适应值。

选择父代个体函数（锦标赛选择）parent_pop = select_parent(pop,parent_size,select_size)
	for i =1:parent_size
		随机选择select_size个体，
		选择等级最高的一个
		若有等级一样高，则根据拥挤距离选择
	end

遗传算法函数  pop_child = (parent_pop)
	设定杂交概率和变异概率
合并函数 pop = combined_pop(pop_child,pop)
	可以不取最后两列，等级和距离
非支配排序函数
    计算得到个体等级
    计算得到拥挤距离
选择新一代种群函数
	先选择等级最高的
	若等级最高的超出种群数量，则根据距离选择
	不满就下一等级



二、各函数的实现代码及解释



1.主函数

代码如下（示例）：

function [pop,i,GD,SP] = nsga2_main(x)
%%测试主函数

%参数设置
pop_size = 100;
iterations = 500;%迭代次数
target = 2;

[bounds,dimension] = get_variable_bounds(x);
%种群初始化
pop = init_pop(pop_size,dimension,bounds,x);
%种群排序
pop = sort_pop(pop,target,dimension);

%锦标赛参数设置
parent_size = pop_size/2;
select_size = 2;

% 初始化函数返回数据
GD = zeros(1,iterations);
SP = zeros(1,iterations);
allpop = zeros(iterations,pop_size,dimension+4);

warning off all
%迭代循环
for i = 1:iterations
    %选择父代
    parent_pop = select_parent(pop,parent_size,select_size);
    %进行遗传算法，杂交变异
    child_pop = myga(parent_pop,dimension,bounds,x);
    %子代和父代进行合并
    pop = combined_pop(pop,child_pop,target,dimension);
    %对合并种群进行非支配排序
    pop = sort_pop(pop,target,dimension);
    %选择新一代种群
    pop = select_pop(pop,target,dimension,pop_size);
   %画出种群迭代的过程
    plot(pop(:,dimension+1),pop(:,dimension+2),'*')
    grid on
    title(['NSGA2测试第',num2str(x),'个函数第 ',num2str(i),' 代结果'])
    pause(0.1)   
end
end



2.确定问题变量维度及界限

代码如下（示例）：使用switch方法

function [bounds,dimension] = get_variable_bounds(x)
switch x
    case 1
        dimension = 30;
        bounds = [ones(dimension,1)*0,ones(dimension,1)*1];
    case 2
        dimension = 30;
        bounds = [ones(dimension,1)*0,ones(dimension,1)*1];
    case 3
        dimension = 30;
        bounds = [ones(dimension,1)*0,ones(dimension,1)*1]; 
    case 4
        dimension = 10;
        bounds = [zeros(1,1),ones(1,1);ones(9,1).*-5,ones(9,1).*5]; 
    case 5 
        dimension = 10;
        bounds = [ones(dimension,1)*0,ones(dimension,1)*1]; 
    case 6
        dimension = 20;
        bounds = [ones(dimension,1)*-4,ones(dimension,1)*4];

end

3.种群初始化

种群初始化采用随机初始化的方法，代码如下（示例）：

function pop = init_pop(pop_size,dimension,bounds,x)
p = rand(pop_size,dimension);%生成popsize*dimension的0-1矩阵
%生成定义域范围内种群
for i = 1:dimension
    p(:,i) = bounds(i,1)+p(:,i)*(bounds(i,2)-bounds(i,1));
end
%计算种群的适应值
evaluate = calculate_pop(p,x);
pop = [p,evaluate];

4.种群计算函数

代码如下（示例）：

function evaluate = calculate_pop(pop,x)
%测试函数
[~,dim] = size(pop);
switch x
    case 1  %ZDT1
        fx1 = pop(:,1); 
        gx = 1+sum(pop(:,2:end),2).*(9/(dim-1));
        hx = 1-sqrt(fx1./gx);
        fx2 = gx.*hx;
        evaluate = [fx1,fx2];
    case 2  %ZDT2
        fx1 = pop(:,1); 
        gx = 1+sum(pop(:,2:end),2).*(9/(dim-1));
        hx = 1-(fx1./gx).^2;
        fx2 = gx.*hx;
        evaluate = [fx1,fx2];       
    case 3  %ZDT3
        fx1 = pop(:,1); 
        gx = 1+sum(pop(:,2:end),2).*(9/(dim-1));
        hx = 1-sqrt(fx1./gx)-(fx1./gx).*sin(10*pi.*fx1);
        fx2 = gx.*hx;
        evaluate = [fx1,fx2];
    case 4  %ZDT4
       fx1 = pop(:,1); 
       gx = 91+sum((pop(:,2:dim).^2-10.*cos(4*pi.*pop(:,2:dim))),2);
       hx = 1-sqrt(fx1./gx);
       fx2 = gx.*hx;
       evaluate = [fx1,fx2];
       
    case 5
        x1 = pop(:,1);
        fx1 = 1-exp(-4.*x1).*(sin(6*pi.*x1)).^6;
        s = sum(pop(:,2:end),2);
        gx = 1+9/(dim-1).*s;
        hx = 1-(fx1./gx).^2;
        fx2 = gx.*hx;
        evaluate = [fx1,fx2];
    case 6
        n = -sum((pop-1/sqrt(dim)).^2,2);
        m = -sum((pop+1/sqrt(dim)).^2,2);
        fx1 = 1-exp(n);
        fx2 = 1-exp(m);
        evaluate = [fx1,fx2];
end

三、测试结果：

1.测试函数

 2.测试结果

ZDT1：                                             ZDT2：

ZDT3：                                             ZDT4：

 ZDT5：                                            Fonseca and Fleming  function

 改变遗传策略之后之后Fonseca and Fleming  function的测试结果：此图是以前测试的结果，因为是另一种遗传策略，不想再敲代码运行，就直接复制之前的图片了。



总结

第4个函数测试的结果也是一个很差的结果，在知网上查看相关的文献，很多论文都并没有把ZDT4作为测试函数，当然如果改进策略，还是可以得到一个好的结果的；第6个测试函数，如果不改进策略，依旧采用多项式杂交和多项式变异的方法是无法得到一个结果，只有改变遗传算法的策略，才能得到结果；其他测试函数，基本上nsga2是可以求解出来，但结果也是特别的完美，与真实的前言还是有一点点的差距的。可以查看我系列文章的第一章的内容，可以看到改进后的算法，不管是在结果，还是在效率上都远比未改进的好。

 第4个函数进行非支配排序和计算拥挤距离。这一块的代码可以参考MathWork中代码。这里也有nsga2的整个实现方法，但计算效果并不理想，计算时间长，效果也不好。所以只借鉴的这一部分的代码，在杂交和变异也一样是用了多项式杂交和变异，但并没有复用代码，而是重写了。MathWork中的nsga2代码的链接：https://ww2.mathworks.cn/matlabcentral/fileexchange/10429-nsga-ii-a-multi-objective-optimization-algorithm?s_tid=srchtitle_NSGA_1https://ww2.mathworks.cn/matlabcentral/fileexchange/10429-nsga-ii-a-multi-objective-optimization-algorithm?s_tid=srchtitle_NSGA_1https://ww2.mathworks.cn/matlabcentral/fileexchange/10429-nsga-ii-a-multi-objective-optimization-algorithm?s_tid=srchtitle_NSGA_1

羽丶千落
关注
专栏目录
基于多目标遗传算法(NSGA-II)和多目标粒子群算法(MOPSO)的分布式仿真系统双目标负载平衡模型【Matlab代码实现】
weixin_66436111的博客
08-22 475
分布式系统具有高利用率、高可扩展性和并行性的优点，可以并行运行以处理计算密集型问题。此外，从分布式结构中衍生出几个难题，例如节点之间的通信问题、系统资源和计算节点的映射和分配问题。高层体系结构（HLA）广泛用于分布式仿真开发。虽然HLA支持大规模分布式仿真，但仿真过程中的负载平衡机制尚未标准化。当仿真系统在非优化分配条件下运行时，由于计算量不足，会出现负载不平衡问题。负载平衡的结果表现在以下两个方面：一是有效缩短任务的平均响应时间，即尽量缩短仿真过程的运行时间，使系统能够稳定、平稳地运行；
NSGA-II算法matlab程序（翻译）
w1120120736的博客
10-26 1万+
NSGA-II算法matlab程序（翻译）NSGA-II算法共享流程图1 主函数2 快速非支配排序和拥挤度计算3 竞标赛选择代码4 交叉，变异代码5 种群杂交替换6 目标函数评估7 测试算例 NSGA-II算法共享 最近在学习多目标优化算法，涉及到NSGA-II算法，看了网上的很多资料，挺有收获。之前一直在学网上的代码，但是发现限制函数只能用来限制决策变量的变化区间（只能在初始化中实现），对于复杂...
NSGA-II（带精英策略的非支配排序的多目标遗传算法）：原理讲解与代码实现 Matlab代码免费获取
最新发布
QSJIQIXUEXI的博客
08-20 1701
今天给大家带来一期带精英策略的非支配排序的遗传算法(NSGA-II)的原理介绍，并附带Matlab代码实现！本期代码免费赠送，需要代码的小伙伴可直接拉到最后！
基于NSGAII的多目标优化算法的MATLAB仿真
FPGA/MATLAB学习教程/源码/项目合作开发
01-29 991
NSGA-II使用带精英策略的快速非支配排序，时间复杂度为O(M(2N)2)O(M(2N)2)，排序速度有大幅的提升。下一代个体产生通过选择每个前沿集合中的个体，直到下一代种群的大小达到原来当代种群的大小。上式的意义为：如果2个个体的非支配排序不同，取序号低的个体(分级排序时，先被分离出来的个体)；其中的Ck是孩子个体，Pk是父个体，Pku 和Pkl，是第k维决策变量的定义域的上下限。其中，Ci,k，表示第i个孩子第k维的值，Pi,k 表示第i个父个体第k维的值。和前面的介绍一样，定义交叉概率和变异概率。
NSGA-II Matlab版本
03-31
相对于NSGA而言，NSGA—II具有以下优点：1)提出新的基于分级 的快速非胜出排序算法，将计算复杂度由 降到 ，其中： 表示目标函数的数目， 表示种群中个体的数目；2)为了标定分级快速非胜出排序后同级中不同元素的适值，也为使准 域中的元素能扩展到整个 域，并尽可能均匀遍布，文献[7]提出了拥挤距离的概念，采用拥挤距离比较算子代替需要计算复杂的共享参数的适值共享方法；3)引入了保优机制，扩大了采样空间，经选择后参加繁殖的个体所产生的后代同其父代个体共同竞争来产生下一代种群，因此有利于保持优良的个体，迅速提高种群的整体水平
NSGA-2多目标规划在Matlab中的实现算法实例。
01-28
NSGA-2多目标规划在Matlab中的实现算法实例。
【源码】NSGA - II：一种基于进化算法的多目标优化函数
weixin_42825609的博客
12-05 2142
NSGA-II是一种著名的多目标优化算法。 NSGA-II is a very famous multi-objective optimization algorithm. 相应的函数为nsga_2(pop,gen)。 The function is nsga_2(pop,gen). 输入参数pop为种群大小，gen为进化代数。 The input arguments for the funct...
多目标优化算法（一）NSGA-Ⅱ（NSGA2）
phymat.nico的专栏
07-28 979
https://blog.csdn.net/qq_40434430/article/details/82876572/ https://zhuanlan.zhihu.com/p/144807879
bp-NSGA-II Matlab_nsgabp_NSGA-bp_bp-NSGA-II_BP适应度函数NSGA-II多目标_预测
09-11
而NSGA-II则是一种高效的多目标优化算法，它通过模拟自然选择和遗传过程来寻找多目标优化问题的帕累托最优解集。 描述中提到的"BP预测模型作为NSGA-II的适应度函数"意味着在NSGA-II的优化过程中，BP神经网络被用作...
NSGA-II 多目标优化算法的Matlab代码，需要的可以下载使用.zip
06-20
1. "NSGA-II 多目标优化算法的Matlab代码，需要的可以下载使用"：这个文件很可能是主脚本或函数文件，其中包含了NSGA-II算法的核心实现，包括种群初始化、选择、交叉、变异等遗传操作，以及非支配排序和拥挤距离计算...
Matlab编写NSGA-2多目标优化算法
02-23
使用matlab编写NSGA-2多目标优化算法： 1）针对测试函数集ZDT1进行的NSGA-Ⅱ算法的编写； 2）本程序有详细的备注解释； 3）包含论文《非支配排序遗传算法（NSGA）的研究与应用》.pdf，用来指导学习NSGA-Ⅱ算法
NSGA2最快代码内含ZDT测试.rar
03-14
NSGA-2多目标优化算法，Python语言编写，内含ZDT测试，使用说明，以及代码详解，希望能对学习多目标优化的同学有所帮助
NSGA-Ⅱ算法大量测试函数实验结果展示
09-22
NSGA-Ⅱ算法大量测试函数实验结果展示
NSGA-II.rar_MATLAB NSGA_NSGA_nsga-ii matlab _改进NSGA-II_改进算法
07-13
通过深入理解和使用这个MATLAB NSGA-II实现，用户不仅可以解决多目标优化问题，还可以学习到遗传算法的设计原理和改进方法，从而提升在优化领域的专业技能。对于研究者和工程师来说，这是一个宝贵的资源，可以帮助...
NSGA-II多目标优化算法matlab程序
09-27
所上传算法程序为非支配 排序遗传算法NSGA-II，包含主函数，初始变量函数，竞标选择，遗传操作，非支配排序程序，替换程序，以及目标函数程序。下载之后只需编写自己的目标函数及改变相应的输入变量相关参数即可使用...
【优化求解】基于NSGA2算法求解多目标优化问题matlab源码
qq_59747472的博客
01-07 1139
1 模型简介 2 部分代码 clc clearall closeall %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% pop=100;%种群数量 gen=100;%迭代次数 M=2;%目标函数数量 V=30;%变量个数; %维度（决策变量的个数） min_range=zeros(1,V);%下界 生成1*30的个体向量 全为0 max_range=ones(1,V);%上界 生成1*30...
NSGA2 算法MATLAB完整代码 中文注释详解
热门推荐
joe的博客
06-26 11万+
2019.7.17 很意外本人这篇文章受到很多人的关注，在此把源码贴出来供大家更好的理解学习。 https://download.csdn.net/download/joekepler/10590751 ========================分割===================================== 本人最近研究NSGA2算法，网上有很多示例代码，但是基本没有...
基于NSGA2算法求解多目标优化问题的Matlab代码
CyberLynxX的博客
09-10 175
NSGA2（Non-dominated Sorting Genetic Algorithm II）是一种常用的多目标优化算法，它基于遗传算法的思想，通过进化的方式搜索解空间中的非支配解集。在本文中，我们将介绍如何使用Matlab实现基于NSGA2算法的多目标优化问题求解，并提供相应的源代码。通过运行代码，我们可以得到多目标优化问题的非支配解集。这些源代码可以帮助你在Matlab中解决自己的多目标优化问题，进一步优化和改进你的应用。你可以根据具体问题的需求，进一步分析和处理这些解集，以获得最终的优化结果。
m基于NSGAII的多机器多任务调度排序优化matlab仿真,考虑机器任务完成时间、机器总负荷和最大负荷
fpga/matlab/simulink算法仿真工程
12-11 438
采用了拥挤度和拥挤度比较算子，代替了需要指定的共享半径 shareQ，并在快速排序后的同级比较中作为胜出标准，使准 Pareto 域中的个体能扩展到整个 Pareto 域，并均匀分布，保持了种群的多样性；引入了精英策略，扩大了采样空间，防止最佳个体的丢失，提高了算法的运算速度和鲁棒性。在NSGA-中，将进化群体按支配时关系分为若干层，第一层为进化群体的非支配个体集合，第二层为在进化群体中去掉第一层个体后所求得的非支配个体集合，第三层为在进化群体中去掉第一层和第二层个体后所求得的非支配个体集合，依此类推。
Python实现nsag-2代码
05-05
NSGA-2（Non-dominated Sorting Genetic Algorithm 2）是一种多目标优化算法，可以用于解决具有多个目标函数的优化问题。下面是一个使用Python实现NSGA-2算法的示例代码： ```python import random # 定义目标函数 def obj_func(x): f1 = x[0]**2 + x[1]**2 f2 = (x[0]-1)**2 + x[1]**2 return [f1, f2] # 定义个体类 class Individual: def __init__(self, x): self.x = x self.fitness = None self.rank = None self.crowding_distance = None # 定义NSGA-2算法 def nsga2(population, n_parents): # 计算每个个体的适应度值 for individual in population: individual.fitness = obj_func(individual.x) # 计算每个个体的支配集和被支配数 for individual1 in population: individual1.dominated_set = [] individual1.n_dominated = 0 for individual2 in population: if individual1.fitness != individual2.fitness: if dominates(individual1.fitness, individual2.fitness): individual1.dominated_set.append(individual2) elif dominates(individual2.fitness, individual1.fitness): individual1.n_dominated += 1 # 计算每个个体的排名和拥挤距离 fronts = [[]] for individual in population: if individual.n_dominated == 0: individual.rank = 0 fronts[0].append(individual) i = 0 while len(fronts[i]) > 0: next_front = [] for individual1 in fronts[i]: for individual2 in individual1.dominated_set: individual2.n_dominated -= 1 if individual2.n_dominated == 0: individual2.rank = i+1 next_front.append(individual2) i += 1 fronts.append(next_front) for front in fronts[:-1]: for individual in front: individual.crowding_distance = 0 for obj in range(2): front = sorted(front, key=lambda individual: individual.fitness[obj]) front[0].crowding_distance = float('inf') front[-1].crowding_distance = float('inf') for i in range(1, len(front)-1): front[i].crowding_distance += front[i+1].fitness[obj] - front[i-1].fitness[obj] # 选择父代个体 parents = [] for i in range(n_parents): front = random.choice(fronts[:-1]) parent = random.choice(front) parents.append(parent) # 交叉和变异 offspring = [] for i in range(n_parents): parent1 = parents[i] parent2 = parents[(i+1) % n_parents] child = Individual([0, 0]) for j in range(2): if random.random() < 0.5: child.x[j] = parent1.x[j] else: child.x[j] = parent2.x[j] if random.random() < 0.1: child.x[0] += random.gauss(0, 0.1) if random.random() < 0.1: child.x[1] += random.gauss(0, 0.1) offspring.append(child) # 合并父代和子代个体 population.extend(parents) population.extend(offspring) # 保留前N个个体 population = sorted(population, key=lambda individual: individual.rank) population = population[:n_parents] return population # 判断a是否支配b def dominates(a, b): return all(x1 <= x2 for x1, x2 in zip(a, b)) and any(x1 < x2 for x1, x2 in zip(a, b)) # 初始化种群 population = [] for i in range(100): x = [random.uniform(-5, 5), random.uniform(-5, 5)] individual = Individual(x) population.append(individual) # 迭代100次 for i in range(100): population = nsga2(population, 100) # 输出结果 for individual in population: print(individual.fitness) ``` 该示例代码实现了一个简单的二维优化问题，可以将其扩展到更多维度的问题。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值