NSWOA|多目标鲸鱼优化算法原理与代码实现(Matlab)

2024-04-08 00:44

本文主要是介绍NSWOA|多目标鲸鱼优化算法原理与代码实现(Matlab),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!

文章来源于我的个人公众号:KAU的云实验台,主要更新智能优化算法的原理、应用、改进

​鲸鱼优化算法(Whale Optimization Algorithm,WOA)的位置更新策略主要分为三个阶段,收缩捕猎阶段,螺旋更新阶段,随机搜索阶段,但原WOA算法无法处理多目标优化问题,因此Pradeep Jangir和 Narottam Jangir(两人同团队,也与Mirjalili有合著)引入了多目标优化相关理论,引入非支配等级等对鲸鱼进行排序选择,于2017年以WOA为框架提出了基于非支配排序的多目标鲸鱼优化算法(Non-Dominated Sorting Whale Optimization Algorithm,NSWOA)。

在这里插入图片描述

本文将对NSWOA进行介绍

00 文章目录

1 多目标鲸鱼优化算法原理

2 代码目录

3 算法性能

4 源码获取

01 多目标鲸鱼优化算法原理

1.1 鲸鱼优化算法流程

WOA是NSWOA的理论基础,这里简单回顾一下WOA的流程,对WOA不了解的WOA算法可以看作者的往期文章:

WOA算法的流程如图所示:

在这里插入图片描述

以上是WOA的流程,由于多目标问题的特殊性,因此需要对最佳个体的选择机制进行修改,下面介绍NSWOA的理论内容。

1.2 多目标鲸鱼优化算法

为了将多目标能力添加到WOA算法中,NSWOA主要在WOA的框架上增加了对个体的非支配排序,通过拥挤度计算和精英保留策略(与NSGA-II类似),筛选出优秀非支配个体引导种群,并进行种群的进化。下面介绍这几个概念。

(1)非支配排序

在这里插入图片描述

非支配排序的概念如图,其中黑点代表着一个个体,对于种群,首先选出Pareto解,其支配等级为1;然后将支配等级为1的解筛出,再从剩下的个体中选出Pareto解,其支配等级为2,以此循环,直至整个种群完成分级,则支配等级越低的解将支配支配等级高的解,此即非支配排序。

(2)拥挤度

在这里插入图片描述

拥挤度则可定义为解i与其领域解i-1和i+1所围矩形的长度,拥挤度越大,则该解周围越稀疏,选取该解作为“最优个体”,有利于种群多样性的保持。

引入上述两个机制后,NSWOA算法的流程如下:
在这里插入图片描述

02 代码目录

在这里插入图片描述

源代码为Pradeep Jangir编写,KAU对其进行中文注释,其中部分NSWOA程序如下:

在这里插入图片描述

代码获取方式见文末

03 算法性能

使用经典的多目标测试函数ZDT1~3对NSWOA进行测试:

在这里插入图片描述

04 源码获取

公众号后台回复:NSWOA

作者也将在后面的文章中更新对于NSWOA的改进,欢迎关注~

参考文献

[1]JANGIR P,JANGIR N. Non-dominated sorting whale optimization algorithm (NSWOA): a multi-objective optimization algorithm for solving engineering design problems[J]. Global journals of research in engineering, 2017;17: 15-42.

另:如果有伙伴有待解决的优化问题(各种领域都可),可以发我,我会选择性的更新利用优化算法解决这些问题的文章。

如果这篇文章对你有帮助或启发,可以点击右下角的赞/在看 (ง•̀_•́)ง(不点也行)

这篇关于NSWOA|多目标鲸鱼优化算法原理与代码实现(Matlab)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/884123

相关文章

Vue3 的 shallowRef 和 shallowReactive:优化性能

大家对 Vue3 的 ref 和 reactive 都很熟悉,那么对 shallowRef 和 shallowReactive 是否了解呢? 在编程和数据结构中,“shallow”(浅层)通常指对数据结构的最外层进行操作,而不递归地处理其内部或嵌套的数据。这种处理方式关注的是数据结构的第一层属性或元素,而忽略更深层次的嵌套内容。 1. 浅层与深层的对比 1.1 浅层(Shallow) 定义

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

HDFS—存储优化(纠删码)

纠删码原理 HDFS 默认情况下,一个文件有3个副本,这样提高了数据的可靠性,但也带来了2倍的冗余开销。 Hadoop3.x 引入了纠删码,采用计算的方式,可以节省约50%左右的存储空间。 此种方式节约了空间,但是会增加 cpu 的计算。 纠删码策略是给具体一个路径设置。所有往此路径下存储的文件,都会执行此策略。 默认只开启对 RS-6-3-1024k

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

深入探索协同过滤:从原理到推荐模块案例

文章目录 前言一、协同过滤1. 基于用户的协同过滤(UserCF)2. 基于物品的协同过滤(ItemCF)3. 相似度计算方法 二、相似度计算方法1. 欧氏距离2. 皮尔逊相关系数3. 杰卡德相似系数4. 余弦相似度 三、推荐模块案例1.基于文章的协同过滤推荐功能2.基于用户的协同过滤推荐功能 前言     在信息过载的时代,推荐系统成为连接用户与内容的桥梁。本文聚焦于

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig