多目标蜻蜓算法(MODA)附Matlab代码

2023-10-28 03:00
文章标签 算法 代码 matlab 目标 moda 蜻蜓

本文主要是介绍多目标蜻蜓算法(MODA)附Matlab代码，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

目录

一、MODA算法描述

二、MODA的伪代码

三、多目标蜻蜓算法(MODA)Matlab代码

四、运行结果

一、MODA算法描述

        为了使用DA算法解决多目标问题，它首先配备了一个档案库（Archive），用于在优化过程中存储和检索最优解的最佳近似。搜索代理的更新位置与DA相同，但食物来源是从档案中选择的。类似于多目标粒子群优化算法，为了找到分布良好的帕累托最优前沿，从所获得的帕累托最优前沿的种群最少的区域中选择食物源。为了找到帕累托最优前沿的种群最少的区域，应该分割搜索空间。这是通过寻找得到的帕累托最优解的最佳和最差目标，定义一个超球来覆盖所有解，并在每次迭代中将超球划分为相等的子超球来实现的。在创建片段之后，通过轮盘赌机制进行选择，每个片段的概率如下，这是由Coello Coello等人提出的:

p_{i}=\frac{C}{N_{i}}

其中c是大于1的常数，N_{i}是第i段中获得的帕累托最优解的个数。这个方程允许MODA算法有更高的概率从种群较少的部分选择食物来源。因此，将鼓励蜻蜓在这些区域周围飞行，并改善整个帕累托最优前沿的分布。然而，为了从档案库（Archive）中选择敌人，应该选择最差(种群最多)的超球体，以阻止蜻蜓在不太可能的拥挤区域搜索。选择是通过轮盘赌机制完成的，每个部分的概率如下:

p=\frac{N_{i}}{C}

其中c是大于1的常数，N_{i}是第i段中获得的帕累托最优解的个数。在上式中可以看到。轮盘赌机制将高概率分配给最拥挤的超球体以被选为敌人。下图表示上述两个选择过程的例子。覆盖所有子超球体的主超球体没有在该图中示出。

 MODA算法的所有参数都与DA相同，除了两个新的参数用于定义超球体的最大数量和档案大小。

二、MODA的伪代码

三、多目标蜻蜓算法(MODA)Matlab代码

clc;
clear;
close all;
%% 多目标目标函数
ObjectiveFunction=@ZDT1;
dim=5;
lb=0;
ub=1;
obj_no=2;
if size(ub,2)==1ub=ones(1,dim)*ub;lb=ones(1,dim)*lb;
end
%% 初始化多目标蜻蜓优化算法参数
max_iter=100;
N=100;
ArchiveMaxSize=100;
Archive_X=zeros(100,dim);
Archive_F=ones(100,obj_no)*inf;
Archive_member_no=0;
r=(ub-lb)/2;
V_max=(ub(1)-lb(1))/10;
Food_fitness=inf*ones(1,obj_no);
Food_pos=zeros(dim,1);
Enemy_fitness=-inf*ones(1,obj_no);
Enemy_pos=zeros(dim,1);
X=initialization(N,dim,ub,lb);
fitness=zeros(N,2);
DeltaX=initialization(N,dim,ub,lb);
iter=0;
position_history=zeros(N,max_iter,dim);
for iter=1:max_iterr=(ub-lb)/4+((ub-lb)*(iter/max_iter)*2);w=0.9-iter*((0.9-0.2)/max_iter);my_c=0.1-iter*((0.1-0)/(max_iter/2));if my_c<0my_c=0;endif iter<(3*max_iter/4)s=my_c;             % 分离权重a=my_c;             %对齐权重c=my_c;             % 聚集权重f=2*rand;           % 食物吸引权重e=my_c;             % 天敌驱散权重elses=my_c/iter;       a=my_c/iter;        c=my_c/iter;        f=2*rand;           e=my_c/iter;        end%% 首先计算所有的目标值for i=1:N Particles_F(i,:)=ObjectiveFunction(X(:,i)');if dominates(Particles_F(i,:),Food_fitness)Food_fitness=Particles_F(i,:);Food_pos=X(:,i);endif dominates(Enemy_fitness,Particles_F(i,:))if all(X(:,i)<ub') && all( X(:,i)>lb')Enemy_fitness=Particles_F(i,:);Enemy_pos=X(:,i);endendend[Archive_X, Archive_F, Archive_member_no]=UpdateArchive(Archive_X, Archive_F, X, Particles_F, Archive_member_no);if Archive_member_no>ArchiveMaxSizeArchive_mem_ranks=RankingProcess(Archive_F, ArchiveMaxSize, obj_no);[Archive_X, Archive_F, Archive_mem_ranks, Archive_member_no]=HandleFullArchive(Archive_X, Archive_F, Archive_member_no, Archive_mem_ranks, ArchiveMaxSize);elseArchive_mem_ranks=RankingProcess(Archive_F, ArchiveMaxSize, obj_no);endArchive_mem_ranks=RankingProcess(Archive_F, ArchiveMaxSize, obj_no);%% 提高复盖率的食物（选择种群最少地区的归档成员以提高复盖率的食物）index=RouletteWheelSelection(1./Archive_mem_ranks);if index==-1index=1;endFood_fitness=Archive_F(index,:);Food_pos=Archive_X(index,:)';%% （提高复盖率）选择种群最多的地区的档案成员作为敌人来提高复盖率index=RouletteWheelSelection(Archive_mem_ranks);if index==-1index=1;endEnemy_fitness=Archive_F(index,:);Enemy_pos=Archive_X(index,:)';for i=1:Nindex=0;neighbours_no=0;clear Neighbours_Vclear Neighbours_X%% 找到附近的解决方案for j=1:NDist=distance(X(:,i),X(:,j));if (all(Dist<=r) && all(Dist~=0))index=index+1;neighbours_no=neighbours_no+1;Neighbours_V(:,index)=DeltaX(:,j);Neighbours_X(:,index)=X(:,j);endend%% 分离S=zeros(dim,1);if neighbours_no>1for k=1:neighbours_noS=S+(Neighbours_X(:,k)-X(:,i));endS=-S;elseS=zeros(dim,1);end%% 对齐if neighbours_no>1A=(sum(Neighbours_V')')/neighbours_no;elseA=DeltaX(:,i);end%% 聚集if neighbours_no>1C_temp=(sum(Neighbours_X')')/neighbours_no;elseC_temp=X(:,i);endC=C_temp-X(:,i);%% 食物吸引Dist2Attraction=distance(X(:,i),Food_pos(:,1));if all(Dist2Attraction<=r)F=Food_pos-X(:,i);iter;elseF=0;end%% 天敌驱散Dist=distance(X(:,i),Enemy_pos(:,1));if all(Dist<=r)E=Enemy_pos+X(:,i);elseE=zeros(dim,1);endfor tt=1:dimif X(tt,i)>ub(tt)X(tt,i)=lb(tt);DeltaX(tt,i)=rand;endif X(tt,i)<lb(tt)X(tt,i)=ub(tt);DeltaX(tt,i)=rand;endendif any(Dist2Attraction>r)if neighbours_no>1for j=1:dimDeltaX(j,i)=w*DeltaX(j,i)+rand*A(j,1)+rand*C(j,1)+rand*S(j,1);if DeltaX(j,i)>V_maxDeltaX(j,i)=V_max;endif DeltaX(j,i)<-V_maxDeltaX(j,i)=-V_max;endX(j,i)=X(j,i)+DeltaX(j,i);endelseX(:,i)=X(:,i)+Levy(dim)'.*X(:,i);DeltaX(:,i)=0;endelse    for j=1:dimDeltaX(j,i)=s*S(j,1)+a*A(j,1)+c*C(j,1)+f*F(j,1)+e*E(j,1) + w*DeltaX(j,i);if DeltaX(j,i)>V_maxDeltaX(j,i)=V_max;endif DeltaX(j,i)<-V_maxDeltaX(j,i)=-V_max;endX(j,i)=X(j,i)+DeltaX(j,i);endendFlag4ub=X(:,i)>ub';Flag4lb=X(:,i)<lb';X(:,i)=(X(:,i).*(~(Flag4ub+Flag4lb)))+ub'.*Flag4ub+lb'.*Flag4lb;enddisplay(['在迭代时 ', num2str(iter), '有 ', num2str(Archive_member_no), ' 非支配解决方案']);
endfigureDraw_ZDT1();hold on
if obj_no==2plot(Archive_F(:,1),Archive_F(:,2),'ko','MarkerSize',8,'markerfacecolor','k');
elseplot3(Archive_F(:,1),Archive_F(:,2),Archive_F(:,3),'ko','MarkerSize',8,'markerfacecolor','k');
end
legend('True PF','Obtained PF');
title('MODA');
%======目标函数===========function o = ZDT1(x)o = [0, 0];dim = length(x);
g = 1 + 9*sum(x(2:dim))/(dim-1);o(1) = x(1);
o(2) = g*(1-sqrt(x(1)/g));
end
function [Archive_X_updated, Archive_F_updated, Archive_member_no]=UpdateArchive(Archive_X, Archive_F, Particles_X, Particles_F, Archive_member_no)
Archive_X_temp=[Archive_X ; Particles_X'];
Archive_F_temp=[Archive_F ; Particles_F];o=zeros(1,size(Archive_F_temp,1));for i=1:size(Archive_F_temp,1)o(i)=0;for j=1:i-1if any(Archive_F_temp(i,:) ~= Archive_F_temp(j,:))if dominates(Archive_F_temp(i,:),Archive_F_temp(j,:))o(j)=1;elseif dominates(Archive_F_temp(j,:),Archive_F_temp(i,:))o(i)=1;break;endelseo(j)=1;o(i)=1;endend
endArchive_member_no=0;
index=0;
for i=1:size(Archive_X_temp,1)if o(i)==0Archive_member_no=Archive_member_no+1;Archive_X_updated(Archive_member_no,:)=Archive_X_temp(i,:);Archive_F_updated(Archive_member_no,:)=Archive_F_temp(i,:);elseindex=index+1;end
endend
function o = RouletteWheelSelection(weights)
accumulation = cumsum(weights);
p = rand() * accumulation(end);
chosen_index = -1;
for index = 1 : length(accumulation)if (accumulation(index) > p)chosen_index = index;break;end
end
o = chosen_index;
end
function ranks=RankingProcess(Archive_F, ArchiveMaxSize, obj_no)my_min=min(Archive_F);
my_max=max(Archive_F);if size(Archive_F,1)==1my_min=Archive_F;my_max=Archive_F;
endr=(my_max-my_min)/(20);ranks=zeros(1,size(Archive_F,1));for i=1:size(Archive_F,1)ranks(i)=0;for j=1:size(Archive_F,1)flag=0; % 一个标志，以查看该点是否在所有维度上都在新区域中。for k=1:obj_noif (abs(Archive_F(j,k)-Archive_F(i,k))<r(k))flag=flag+1;endendif flag==obj_noranks(i)=ranks(i)+1;endend
end
end
function o=Levy(d)beta=3/2;sigma=(gamma(1+beta)*sin(pi*beta/2)/(gamma((1+beta)/2)*beta*2^((beta-1)/2)))^(1/beta);
u=randn(1,d)*sigma;
v=randn(1,d);
step=u./abs(v).^(1/beta);o=0.01*step;
end
%% 初始化
function X=initialization(SearchAgents_no,dim,ub,lb)Boundary_no= size(ub,2); % 边界数%% 如果所有变量的边界相等，用户对ub和lb都输入一个标志号
if Boundary_no==1ub_new=ones(1,dim)*ub;lb_new=ones(1,dim)*lb;
elseub_new=ub;lb_new=lb;
end%% 如果每个变量具有不同的lb和ub
for i=1:dimub_i=ub_new(i);lb_i=lb_new(i);X(:,i)=rand(SearchAgents_no,1).*(ub_i-lb_i)+lb_i;
endX=X';
end
function [Archive_X_Chopped, Archive_F_Chopped, Archive_mem_ranks_updated, Archive_member_no]=HandleFullArchive(Archive_X, Archive_F, Archive_member_no, Archive_mem_ranks, ArchiveMaxSize)for i=1:size(Archive_F,1)-ArchiveMaxSizeindex=RouletteWheelSelection(Archive_mem_ranks);Archive_X=[Archive_X(1:index-1,:) ; Archive_X(index+1:Archive_member_no,:)];Archive_F=[Archive_F(1:index-1,:) ; Archive_F(index+1:Archive_member_no,:)];Archive_mem_ranks=[Archive_mem_ranks(1:index-1) Archive_mem_ranks(index+1:Archive_member_no)];Archive_member_no=Archive_member_no-1;
end
Archive_X_Chopped=Archive_X;
Archive_F_Chopped=Archive_F;
Archive_mem_ranks_updated=Archive_mem_ranks;
endfunction TPF=Draw_ZDT1()
%====TPF是真正的帕累托最优前沿=====
addpath('ZDT_set')
ObjectiveFunction=@(x) ZDT1(x);
x=0:0.01:1;
for i=1:size(x,2)TPF(i,:)=ObjectiveFunction([x(i) 0 0 0]);
end
line(TPF(:,1),TPF(:,2));
title('ZDT1')
xlabel('f1')
ylabel('f2')
box on
fig=gcf;
set(findall(fig,'-property','FontName'),'FontName','Garamond')
set(findall(fig,'-property','FontAngle'),'FontAngle','italic')
endfunction o=dominates(x,y)
o=all(x<=y) && any(x<y);
endfunction o = distance(a,b)
for i=1:size(a,1)o(1,i)=sqrt((a(i)-b(i))^2);
end
end

四、运行结果

这篇关于多目标蜻蜓算法(MODA)附Matlab代码的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/290233。

相关文章

Java中的雪花算法Snowflake解析与实践技巧

Java中的雪花算法Snowflake解析与实践技巧

《Java中的雪花算法Snowflake解析与实践技巧》本文解析了雪花算法的原理、Java实现及生产实践,涵盖ID结构、位运算技巧、时钟回拨处理、WorkerId分配等关键点,并探讨了百度UidGen... 目录一、雪花算法核心原理1.1 算法起源1.2 ID结构详解1.3 核心特性二、Java实现解析2.
阅读更多...
Java中调用数据库存储过程的示例代码

Java中调用数据库存储过程的示例代码

《Java中调用数据库存储过程的示例代码》本文介绍Java通过JDBC调用数据库存储过程的方法,涵盖参数类型、执行步骤及数据库差异,需注意异常处理与资源管理,以优化性能并实现复杂业务逻辑,感兴趣的朋友... 目录一、存储过程概述二、Java调用存储过程的基本javascript步骤三、Java调用存储过程示
阅读更多...
Visual Studio 2022 编译C++20代码的图文步骤

Visual Studio 2022 编译C++20代码的图文步骤

《VisualStudio2022编译C++20代码的图文步骤》在VisualStudio中启用C++20import功能,需设置语言标准为ISOC++20,开启扫描源查找模块依赖及实验性标... 默认创建Visual Studio桌面控制台项目代码包含C++20的import方法。右键项目的属性：
阅读更多...
MySQL数据库的内嵌函数和联合查询实例代码

MySQL数据库的内嵌函数和联合查询实例代码

《MySQL数据库的内嵌函数和联合查询实例代码》联合查询是一种将多个查询结果组合在一起的方法,通常使用UNION、UNIONALL、INTERSECT和EXCEPT关键字,下面：本文主要介绍MyS... 目录一.数据库的内嵌函数1.1聚合函数COUNT([DISTINCT] expr)SUM([DISTIN
阅读更多...
Java实现自定义table宽高的示例代码

Java实现自定义table宽高的示例代码

《Java实现自定义table宽高的示例代码》在桌面应用、管理系统乃至报表工具中,表格（JTable）作为最常用的数据展示组件,不仅承载对数据的增删改查,还需要配合布局与视觉需求,而JavaSwing... 目录一、项目背景详细介绍二、项目需求详细介绍三、相关技术详细介绍四、实现思路详细介绍五、完整实现代码
阅读更多...
Go语言代码格式化的技巧分享

Go语言代码格式化的技巧分享

《Go语言代码格式化的技巧分享》在Go语言的开发过程中,代码格式化是一个看似细微却至关重要的环节,良好的代码格式化不仅能提升代码的可读性,还能促进团队协作,减少因代码风格差异引发的问题,Go在代码格式... 目录一、Go 语言代码格式化的重要性二、Go 语言代码格式化工具：gofmt 与 go fmt（一）
阅读更多...
HTML5实现的移动端购物车自动结算功能示例代码

HTML5实现的移动端购物车自动结算功能示例代码

《HTML5实现的移动端购物车自动结算功能示例代码》本文介绍HTML5实现移动端购物车自动结算,通过WebStorage、事件监听、DOM操作等技术,确保实时更新与数据同步,优化性能及无障碍性,提升用... 目录1. 移动端购物车自动结算概述2. 数据存储与状态保存机制2.1 浏览器端的数据存储方式2.1.
阅读更多...
基于 HTML5 Canvas 实现图片旋转与下载功能(完整代码展示)

基于 HTML5 Canvas 实现图片旋转与下载功能(完整代码展示)

《基于HTML5Canvas实现图片旋转与下载功能(完整代码展示)》本文将深入剖析一段基于HTML5Canvas的代码，该代码实现了图片的旋转（90度和180度）以及旋转后图片的下载... 目录一、引言二、html 结构分析三、css 样式分析四、JavaScript 功能实现一、引言在 Web 开发中，
阅读更多...
Python如何去除图片干扰代码示例

Python如何去除图片干扰代码示例

《Python如何去除图片干扰代码示例》图片降噪是一个广泛应用于图像处理的技术,可以提高图像质量和相关应用的效果,：本文主要介绍Python如何去除图片干扰的相关资料,文中通过代码介绍的非常详细,... 目录一、噪声去除1. 高斯噪声（像素值正态分布扰动）2. 椒盐噪声（随机黑白像素点）3. 复杂噪声（如伪
阅读更多...
Java Spring ApplicationEvent 代码示例解析

Java Spring ApplicationEvent 代码示例解析

《JavaSpringApplicationEvent代码示例解析》本文解析了Spring事件机制,涵盖核心概念（发布-订阅/观察者模式）、代码实现（事件定义、发布、监听）及高级应用（异步处理、... 目录一、Spring 事件机制核心概念1. 事件驱动架构模型2. 核心组件二、代码示例解析1. 事件定义
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2