多目标优化算法：多目标青蒿素优化算法MOAOA求解WFG1-WFG9，含六种评价指标，提供完整MATLAB代码

一、青蒿素优化算法介绍

青蒿素优化算法（Artemisinin Optimization Algorithm, AOA）是2024年提出的一种受青蒿素抗疟疾特性启发的元启发式优化算法。青蒿素是一种从中草药青蒿中提取的化合物，因其在治疗疟疾方面的显著效果而闻名。AOA算法的设计者将青蒿素的这一特性抽象为优化策略，用于解决工程和科学中的优化问题。

1.算法原理

青蒿素优化算法的核心思想是模拟青蒿素在体内的分布和作用机制，通过模仿其在对抗疟疾时的搜索和攻击策略来寻找问题的最优解。算法中的每个解被视为一个“青蒿素分子”，而搜索空间则相当于疟疾病原体所在的环境。

2.算法描述：

• 搜索代理（Search Agents）：在AO算法中，每个搜索代理代表了一个潜在的解决方案，它们在解空间中搜索最优解。
• 适应度评估（Fitness Evaluation）：根据问题的具体目标，评估每个搜索代理的性能。
• 全面消除策略（Comprehensive Elimination Strategy）：通过模拟药物扩散，引导搜索代理进行全局探索，以快速识别解空间中的潜在区域。
  

• 局部清除策略（Local Clearance Strategy）：在全面消除后，算法转向局部搜索，以精细化搜索过程并提高解的质量。
  

• 后期巩固策略（Post-Consolidation Strategy）：为了应对可能的复发，通过特定的机制增强算法的多样性，避免过早收敛。
  

• 概率系数（Probabilistic Coefficient）：引入概率系数来模拟患者对药物的不同反应，增加算法的适应性和灵活性。

• 信息交叉（Information Crossover）：在后期巩固阶段，通过信息交叉机制，增强搜索代理的探索能力，以逃离局部最优。

3.算法流程：

1. 初始化阶段（Initialization Phase）：

   • 随机初始化一组搜索代理（agents），这些代理构成了算法的解空间。
   • 评估每个代理的适应度（fitness），并找出当前最优解。

2. 全面消除阶段（Comprehensive Elimination Phase）：

   • 模拟青蒿素在治疗初期的高剂量给药，以快速减少疟原虫数量。
   • 更新搜索代理的位置，模拟药物在人体内的扩散，调整搜索步长。

3. 局部清除阶段（Local Clearance Phase）：

   • 模拟治疗中后期降低药物剂量，以清除剩余的疟原虫。
   • 通过更新策略，使算法在已知区域内进行精确解的搜索，增强局部开发能力。

4. 后期巩固阶段（Post-Consolidation Phase）：

   • 考虑到疾病复发的可能性，引入策略以增强算法逃离局部最优的能力。
   • 通过信息交叉（information crossover）等机制，防止算法陷入局部最优。

5. 迭代更新（Iteration Update）：

   • 在每次迭代中，根据上述三个阶段的策略更新搜索代理的位置。
   • 评估新的适应度值，并更新最优解。

6. 终止条件（Termination Condition）：

   • 当达到最大迭代次数或其他预设的终止条件时，算法停止。
   • 返回找到的最优解。

4.算法特点

• 自适应性：AOA算法能够根据搜索进程动态调整搜索策略，以适应不同阶段的优化需求。
• 鲁棒性：由于其模仿的青蒿素作用机制，AOA算法在面对复杂和多变的优化问题时表现出较好的鲁棒性。
• 简单性：算法的实现相对简单，易于编码和调整，适用于各种优化问题。

5.参考文献

[1] Yuan C , Zhao D , Heidari A A ,et al.Artemisinin optimization based on malaria therapy: Algorithm and applications to medical image segmentation[J].Displays, 2024, 84.DOI:10.1016/j.displa.2024.102740.

二、多目标青蒿素优化算法MOAOA

由于青蒿素优化算法（AOA）仅能求解单目标优化问题，为了求解多目标优化问题，本文提出多目标青蒿素优化算法（Multi-objective Artemisinin Optimization Algorithm, MOAOA）。MOAOA是AOA的多目标变体，能够有效求解多目标优化问题，为了检验本文所提算法的性能，将其应用于基准函数WFG1-WFG9的求解，并采用六种性能评价指标(GD、IGD、HV、Spacing、Spread、Coverage)对所提算法的收敛性和多样性进行有效评估。

MOAOA首先对种群进行初始化，采取随机初始化方式。其次，算法对初始化的种群进行筛选并利用筛选的后代交配产生子代个体。接着，利用环境选择算子对子代进行筛选以便进行下一轮迭代。直到满足算法的终止条件，最后一次环境选择出来的所有个体即为最终的近似 Pareto 解集。环境选择算子的作用主要用于子代个体的选择，被选择的个体能够支配种群中的其他个体或者互相不支配，称其为精英个体。通过算法的迭代运算，每次均选出精英个体，反复如此即可求得问题的解。

2.1、六种性能评价指标介绍

1. Generational Distance (GD)：

   • GD指标衡量算法生成的非支配解集与真实Pareto前沿之间的平均距离。它通过计算真实Pareto前沿上每个点到最近非支配解的欧氏距离，然后取这些距离的平均值来实现。GD值越小，表示算法生成的解集越接近真实Pareto前沿，反映了算法的收敛性。

2. Inverted Generational Distance (IGD)：

   • IGD指标衡量算法生成的非支配解集与真实Pareto前沿之间的距离，但与GD不同的是，IGD是从真实Pareto前沿向算法生成的解集计算距离。它计算每个真实Pareto前沿上的点到最近非支配解的欧氏距离的平均值。IGD值越小，表示算法生成的解集越接近真实Pareto前沿。

3. Hypervolume (HV)：

   • HV指标衡量算法生成的非支配解集在目标空间中覆盖的体积。通常，这个体积是在目标函数的最小值和最大值之间定义的。HV值越大，表示算法生成的解集在目标函数空间中覆盖的范围越广，反映了算法的收敛性和多样性。

4. Spacing：

   • Spacing指标衡量算法生成的非支配解集中各个解之间的平均距离。它通过计算解集中每个解到其他解的最小距离的标准差来实现。Spacing值越小，表示解集内部的解越密集，多样性越高。

5. Spread：

   • Spread指标衡量算法生成的非支配解集在Pareto前沿上的分散程度。高的Spread值意味着解集在前沿上分布得更均匀，没有聚集在某个区域，反映了算法的多样性。

6. Coverage：

   • Coverage指标衡量一个算法生成的Pareto前沿覆盖另一个算法生成的Pareto前沿的比例。如果算法A的Coverage指标高于算法B，那么意味着算法A生成的Pareto前沿在某种程度上包含了算法B生成的Pareto前沿，反映了算法的广泛性。

2.2、部分MATLAB代码

%% 参数说明
%testProblem 测试问题序号
%Name 测试问题名称
%dim 测试问题维度
%numObj测试问题目标函数个数
%lb测试问题下界
%ub测试问题上界
%SearchAgents_no 种群大小
%Max_iter最大迭代次数
%Fbest 算法求得的POF
%Xbest 算法求得的POS
%TurePF 测试问题的真实pareto前沿
%Result 评价指标随迭代次数的变化值
testProblem=5;
[Name,dim,numObj,lb,ub]=GetProblemInfoZDT(testProblem);%获取测试问题的相关信息
SearchAgents_no=200;%种群大小 
Max_iter=200;%最大迭代次数
[Fbest,Xbest,TurePF,Result] = MOAHA(Max_iter,SearchAgents_no,Name,dim,numObj,lb,ub);%算法求解

2.3、部分结果

WFG4：

WFG5：

三、完整MATLAB代码

见下方名片