多目标特征选择与单目标特征选择对比（python）

多目标（Nsga-Ⅱ、BRO）特征选择与单目标（GA、SA、PSO）特征选择算法对比

NSGA-II（非支配排序遗传算法 II）

NSGA-II，全称为非支配排序的遗传算法第二版，是一种用于解决多目标优化问题的算法。它通过非支配排序和拥挤距离比较来维持种群的多样性，有效地在多目标优化问题中找到一组好的解，这组解尽可能地接近真实的帕累托前沿并且分布均匀。

BRO（大逃杀优化）

BRO，即大逃杀优化，是受流行的大逃杀游戏模式启发的一种新颖元启发式优化算法。在这种算法中，每个解都被视为一名士兵/玩家，目标是通过策略性地移动向最优解靠拢，同时避免被淘汰，以求在“游戏”结束时存活下来，从而找到问题的最优解。

GA（遗传算法）

遗传算法是受自然选择和遗传学原理启发的搜索和优化算法。它使用了遗传机制中的交叉、变异和选择等操作。解通过代表染色体的字符串来表示，算法通过模拟自然进化过程逐步改进解的质量。GA非常适合于大规模搜索空间的问题，并能有效找到全局最优解或其近似解。

SA（模拟退火算法）

模拟退火算法是一种以物理退火过程为灵感的优化算法，用于寻找在给定时间内的全局最优解。它允许在搜索过程中以一定的概率接受比当前解差的解，以避免算法过早陷入局部最优。随着“温度”参数的降低，算法逐渐减少接受差解的概率，以稳步找到最优解。

PSO（粒子群优化）

粒子群优化算法是一种基于群体协作的优化算法，灵感来源于鸟群觅食行为。在PSO中，每个解被视为搜索空间中的一个“粒子”，粒子通过跟踪个体和群体的经验最优位置来更新自己的位置。这种算法特别适合于连续函数优化问题，并且易于实现和并行化。

完整代码私信我获取

# ***********************************************绘图***************************************************

fitness_history = []
# 修改eaMuPlusLambda调用，加入循环以手动控制每一代的进化，并调用collect_fitness函数
for gen in range(num_generations):
    # 生成后代
    offspring = algorithms.varAnd(population, toolbox, cxpb=0.5, mutpb=0.2)

    # 评估个体（仅新个体）
    invalid_ind = [ind for ind in offspring if not ind.fitness.valid]
    fitnesses = map(toolbox.evaluate, invalid_ind)
    for ind, fit in zip(invalid_ind, fitnesses):
        ind.fitness.values = fit

    # 更新种群
    population = toolbox.select(offspring + population, population_size)

    # 收集并记录适应度数据
    collect_fitness(population, gen, fitness_history)


# 绘制帕累托前沿
pareto_front = tools.sortNondominated(population, len(population), first_front_only=True)[0]
pareto_fitnesses = [ind.fitness.values for ind in pareto_front]
plt.scatter(*zip(*pareto_fitnesses))
plt.title("帕累托前言")
plt.xlabel("准确率")
plt.ylabel("特征数")
plt.show()


# 计算每一代的准确率适应度平均值
average_accuracy_over_generations = [sum(individual[0] for individual in generation) / len(generation) for generation in fitness_history]
plt.figure(figsize=(10, 6))  # 设置图形的大小
plt.plot(average_accuracy_over_generations, label='准确率', color='blue', linewidth=2, linestyle='--')  # 改变线条颜色、线宽和样式
plt.scatter(range(len(average_accuracy_over_generations)), average_accuracy_over_generations, color='red', s=50, label='数据点')  # 在每个数据点位置绘制红色圆圈，s控制圆圈大小
plt.xlabel('迭代次数', fontsize=14)  # 增大字体大小
plt.ylabel('准确率适应度值', fontsize=14)  # 增大字体大小
plt.title('NSGA-II 适应度值变化图', fontsize=16)  # 增大标题字体大小
plt.tight_layout()  # 自动调整子图参数, 使之填充整个图像区域
plt.show()