布谷鸟算法的Pareto多目标函数优化
布谷鸟算法的Pareto多目标函数优化https://pan.baidu.com/s/1G_XE4C9kUwYJk3le3L9PiQ
https://pan.baidu.com/s/1H1qHD1u6Bb1awo1-6gIh8w
具体链接在halcom.cn论坛，联系人QQ：3283892722
该论坛是一个学习交流平台，我会逐一的和大家分享学习。
欢迎大家录制视频，并提交给我，我来设置视频，你可在论坛进行打赏分享。
视频专用播放器：http://halcom.cn/forum.php?mod=viewthread&tid=258&extra=page%3D1
% 布谷鸟的pareto多目标函数优化分析
% cuckoo_search -- CS算法
% web('halcom.cn')
%% 清空环境
clc % 清屏
clear all; % 删除workplace变量
close all; % 关掉显示图形窗口
tic
%% 参数初始化
global nObj nvar
nObj = 2; % 2个目标
nvar = 2; % 2个未知量
maxiter = 50; % 最大迭代次数
sizepop = 100; % 种群规模
popmin1 = -1;popmax1 = 1; % x1
popmin2 = -1;popmax2 = 1; % x2
pa=0.25; % 发现新巢的概率Discovery rate of alien eggs/solutions
repository = 50; % 非支配解种群数量
nGrid=7; % 每个目标函数解集域的扩展网格大小，单周期数
alpha=0.1; % 非支配解的解集的扩展因子
beta=2; % 非支配解的选择因子
gamma=2; % 非支配解的淘汰因子
% 初始化种群
x.Pos=[];% 未知量的解
x.fitness=[]; % 粒子适应度值
x.IsDominated=[]; % 是否非支配解，支配解=1, 非支配解=0
x.GridIndex=[]; % 非支配解的网格化参数值-索引总循环数（并排目标函数的序列化内）
x.GridSubIndex=[]; % 每一个非支配解的网格化索引值（扩展取值范围内）
pop=repmat(x,sizepop,1); % 初始化的种群
clear x
for i=1:sizepop
pop(i).Pos(1) = unifrnd(popmin1,popmax1,1);
pop(i).Pos(2) = unifrnd(popmin2,popmax2,1);
% 适应度函数
pop(i).fitness = fun(pop(i).Pos);
end
% 确定种群之间是否存在支配解
pop=JudgePopDomination(pop);
% 然后获取非支配解
rep=pop(~);
% 扩展非支配解的适应度函数取值范围
Grid=CreateGrids(rep,nGrid,alpha);
% 计算扩展非支配解的GridIndex
for i=1:numel(rep)
rep(i)=FindGridIndex(rep(i),Grid);
end
%% CS算法的多目标函数寻优主程序
for i=1:maxiter
% 粒子位置更新
new_nest=[];
new_nest = get_cuckoos(pop,,, rep, beta); % Levy flights 粒子位置更新
=get_best_nest(pop, new_nest);
% 增加非支配解
rep =)];
% 非支配解是否有支配解
rep=JudgePopDomination(rep);
% 删除支配解
rep=rep(~);
% 寻找新的鸟巢--新的解
new_nest=[];
new_nest=empty_nests(pop, ,, pa) ;
=get_best_nest(pop, new_nest);
% 增加非支配解
rep =)];
% 非支配解是否有支配解
rep=JudgePopDomination(rep);
% 删除支配解
rep=rep(~);
% 扩展非支配解的适应度函数取值范围
Grid=CreateGrids(rep,nGrid,alpha);
for k=1:numel(rep)
rep(k)=FindGridIndex(rep(k),Grid);
end
% 非支配解是否达到最大的非支配解的种群数
if numel(rep)>repository
% 将超过的种群删除
Extra=numel(rep)-repository;
for k=1:Extra
rep=DeleteOneRepMemebr(rep,gamma);
end
end
figure(1);
Plotfitness(pop,rep);
pause(0.01);
end
toc
% % 确定种群之间是否存在支配解
% pop=JudgePopDomination(pop);
% % 增加非支配解
% rep =)];
rep = uniqueRep(rep);
figure(1);
Plotfitness(pop,rep);
% 最优结果
for i=1:size( rep,1 )
zbest_sol(i,:) = rep(i).Pos;
if i==1
fprintf('\n')
disp('PSO多目标计算的第一组结果如下：')
disp(['x1 = ',num2str(zbest_sol(i,1))])
disp(['x2 = ',num2str(zbest_sol(i,2))])
disp(['最优适应度值为',num2str(')])
fprintf('\n')
else
disp('PSO多目标计算结果有多个Pareto解集')
end
endempty_nests函数：
function new_nest=empty_nests(nest, popmin, popmax, pa)
global nObj nvar
nest1 = ;
nest1 = reshape(nest1, )';
n=size(nest1,1);% 种群个数
% 发现新巢的概率Discovery rate of alien eggs/solutions
K=rand(size(nest1))>pa;
stepsize = rand*( nest1(randperm(n),:) - nest1(randperm(n),:) );
new_nest1 = nest1 + stepsize.*K;
for i=1:n
for j=1:size( new_nest1, 2 )
if(new_nest1(i, j)>popmax(j))
new_nest1(i, j) = popmax(j);
end
if(new_nest1(i, j)<popmin(j))
new_nest1(i, j)=popmin(j);
end
end
new_nest(i).Pos = new_nest1(i,:);
endget_best_nest函数：
function =get_best_nest(nest, new_nest)
% nest 输入 上一代的解
% fun： 输入 适应度函数
% new_nest输入 新产生的解
for i=1:size(nest,1)
new_nest(i).fitness = fun( new_nest(i).Pos );% 适应度值
% 是否受支配
if Domination(new_nest(i), nest(i))
nest(i).Pos=new_nest(i).Pos;
nest(i).fitness=new_nest(i).fitness;
else
if rand<0.5
nest(i).Pos=new_nest(i).Pos;
nest(i).fitness=new_nest(i).fitness;
end
end
end
% % 找当前最好的个体
% =min(fitness);% 最优适应度值
% bestnest = nest(bestindex,:); % 全局最佳种群get_cuckoos函数：
function new_nest = get_cuckoos(pop, popmin, popmax, rep, betaPareto)
% Levy flights 粒子位置更新
global nObj nvar
nest = ;
nest = reshape(nest, )';
new_nest = pop;
pop = [];
% Levy flights
n=size(nest,1); % 种群个数
% Levy exponent and coefficient
beta=3/2;
sigma=(gamma(1+beta)*sin(pi*beta/2)/(gamma((1+beta)/2)*beta*2^((beta-1)/2)))^(1/beta);
% new_nest = nest;
for i=1:n % 种群个数
pop = nest(i,:);
% Levy flights by Mantegna's algorithm
u=randn(size(pop))*sigma;
v=randn( size(pop) );
step=u./abs(v).^(1/beta);
% 轮盘赌算子随机选择一个非支配解，扰动解，避免陷入局部最优
zbest=Selectzbest(rep, betaPareto);
bestnest = zbest.Pos;
stepsize=0.01*step.*(pop-bestnest);
pop = pop + stepsize.*randn(size(pop));
% 防止越界
for k=1:length( pop )
if pop(k)>popmax(k)
pop(k)=popmax(k);
end
if pop(k)<popmin(k)
pop(k)=popmin(k);
end
end
% new_nest(i,:) = pop;% 更新种群
new_nest(i).Pos = pop; % 更新种群
end参考：
【1】http://halcom.cn/forum.php?mod=viewthread&tid=357&extra=page%3D1
【2】Solving Multiobjective Optimization Problems Using Artificial Bee Colony Algorithm
感谢楼主，学习学习 非常好的学习资源，感谢分享 机器码：FF48E712CD53F57C-0-FF48C202D90BF17C 期待，学习一下~:lol
页:
[1]