多目標優化演算法(一)NSGA-Ⅱ(NSGA2)
多目標優化演算法(一)NSGA-Ⅱ(NSGA2)
注:沒有想到這篇部落格竟然有很多人檢視,這是我去年寫的演算法,裡面難免會有一些錯誤,大家可以看看評論區,這裡的matlab程式碼寫的不太好,是以C語言思維寫的,基本上沒有並行,初學者建議可以看看platEMO上的原始碼,提前培養好寫程式碼的習慣!
0. 前言
這個演算法是本人接觸科研學習實現的第一個演算法,因此想在這裡和大家分享一下心得。
1. 演算法簡介
NSGA-Ⅱ演算法,即帶有精英保留策略的快速非支配多目標優化演算法,是一種基於Pareto最優解的多目標優化演算法。
1.1 Pareto支配關係以及Pareto等級
Pareto支配關係:對於最小化多目標優化問題,對於n個目標分量 ,任意給定兩個決策變數,,如果有以下兩個條件成立,則稱支配。
1.對於,都有成立。
2.,使得成立。
如果對於一個決策變數,不存在其他決策變數能夠支配他,那麼就稱該決策變數為非支配解。
Pareto等級:在一組解中,非支配解Pareto等級定義為1,將非支配解從解的集合中刪除,剩下解的Pareto等級定義為2,依次類推,可以得到該解集合中所有解的Pareto等級。示意圖如圖1所示。
1.2 快速非支配排序
假設種群大小為P,該演算法需要計算每個個體p的被支配個數和該個體支配的解的集合這兩個引數。遍歷整個種群,該引數的計算複雜度為。該演算法的虛擬碼如下:
1.計算出種群中每個個體的兩個引數和。
2.將種群中引數的個體放入集合中。
3.for 個體:
for 個體:
;(該步驟即消除Pareto等級1對其餘個體的支配,相當於將Pareto等級1的個體從集合中刪除)
if :
將個體l加入集合中。
end
end
end
4.上面得到Pareto等級2的個體的集合,對集合中的個體繼續重複步驟3,依次類推直到種群等級被全部劃分。
matlab 程式碼如下:
function [F,chromo] = non_domination_sort( pop,chromo,f_num,x_num )
%non_domination_sort 初始種群的非支配排序和計算擁擠度
%初始化pareto等級為1
pareto_rank=1;
F(pareto_rank).ss=[];%pareto等級為pareto_rank的集合
p=[];%每個個體p的集合
for i=1:pop
%%%計算出種群中每個個體p的被支配個數n和該個體支配的解的集合s
p(i).n=0;%被支配個體數目n
p(i).s=[];%支配解的集合s
for j=1:pop
less=0;%y'的目標函式值小於個體的目標函式值數目
equal=0;%y'的目標函式值等於個體的目標函式值數目
greater=0;%y'的目標函式值大於個體的目標函式值數目
for k=1:f_num
if(chromo(i,x_num+k)<chromo(j,x_num+k))
less=less+1;
elseif(chromo(i,x_num+k)==chromo(j,x_num+k))
equal=equal+1;
else
greater=greater+1;
end
end
if(less==0 && equal~=f_num)%if(less==0 && greater~=0)
p(i).n=p(i).n+1;%被支配個體數目n+1
elseif(greater==0 && equal~=f_num)%elseif(greater==0 && less~=0)
p(i).s=[p(i).s j];
end
end
%%%將種群中引數為n的個體放入集合F(1)中
if(p(i).n==0)
chromo(i,f_num+x_num+1)=1;%儲存個體的等級資訊
F(pareto_rank).ss=[F(pareto_rank).ss i];
end
end
%%%求pareto等級為pareto_rank+1的個體
while ~isempty(F(pareto_rank).ss)
temp=[];
for i=1:length(F(pareto_rank).ss)
if ~isempty(p(F(pareto_rank).ss(i)).s)
for j=1:length(p(F(pareto_rank).ss(i)).s)
p(p(F(pareto_rank).ss(i)).s(j)).n=p(p(F(pareto_rank).ss(i)).s(j)).n - 1;%nl=nl-1
if p(p(F(pareto_rank).ss(i)).s(j)).n==0
chromo(p(F(pareto_rank).ss(i)).s(j),f_num+x_num+1)=pareto_rank+1;%儲存個體的等級資訊
temp=[temp p(F(pareto_rank).ss(i)).s(j)];
end
end
end
end
pareto_rank=pareto_rank+1;
F(pareto_rank).ss=temp;
end
1.3 擁擠度
為了使得到的解在目標空間中更加均勻,這裡引入了擁擠度,其演算法如下:
- 令引數。
- for 每個目標函式 :
① 根據該目標函式對該等級的個體進行排序,記為個體目標函式值的最大值,為個體目標函式值的最小值;
② 對於排序後兩個邊界的擁擠度和置為∞;
③ 計算,其中是該個體排序後後一位的目標函式值。
end
從二目標優化問題來看,就像是該個體在目標空間所能生成的最大的矩形(該矩形不能觸碰目標空間其他的點)的邊長之和。擁擠度示意圖如圖2所示。
matlab程式碼如下:
function chromo = crowding_distance_sort( F,chromo,f_num,x_num )
%計算擁擠度
%%%按照pareto等級對種群中的個體進行排序
[~,index]=sort(chromo(:,f_num+x_num+1));
[~,mm1]=size(chromo);
temp=zeros(length(index),mm1);
for i=1:length(index)%=pop
temp(i,:)=chromo(index(i),:);%按照pareto等級排序後種群
end
%%%對於每個等級的個體開始計算擁擠度
current_index = 0;
for pareto_rank=1:(length(F)-1)%計算F的迴圈時多了一次空,所以減掉
%%擁擠度初始化為0
nd=[];
nd(:,1)=zeros(length(F(pareto_rank).ss),1);
%y=[];%儲存當前處理的等級的個體
[~,mm2]=size(temp);
y=zeros(length(F(pareto_rank).ss),mm2);%儲存當前處理的等級的個體
previous_index=current_index + 1;
for i=1:length(F(pareto_rank).ss)
y(i,:)=temp(current_index + i,:);
end
current_index=current_index + i;
%%對於每一個目標函式fm
for i=1:f_num
%%根據該目標函式值對該等級的個體進行排序
[~,index_objective]=sort(y(:,x_num+i));
%objective_sort=[];%通過目標函式排序後的個體
[~,mm3]=size(y);
objective_sort=zeros(length(index_objective),mm3);%通過目標函式排序後的個體
for j=1:length(index_objective)
objective_sort(j,:)=y(index_objective(j),:);
end
%%記fmax為最大值,fmin為最小值
fmin=objective_sort(1,x_num+i);
fmax=objective_sort(length(index_objective),x_num+i);
%%對排序後的兩個邊界擁擠度設為1d和nd設為無窮
y(index_objective(1),f_num+x_num+1+i)=Inf;
y(index_objective(length(index_objective)),f_num+x_num+1+i)=Inf;
%%計算nd=nd+(fm(i+1)-fm(i-1))/(fmax-fmin)
for j=2:(length(index_objective)-1)
pre_f=objective_sort(j-1,x_num+i);
next_f=objective_sort(j+1,x_num+i);
if (fmax-fmin==0)
y(index_objective(j),f_num+x_num+1+i)=Inf;
else
y(index_objective(j),f_num+x_num+1+i)=(next_f-pre_f)/(fmax-fmin);
end
end
end
%多個目標函式擁擠度求和
for i=1:f_num
nd(:,1)=nd(:,1)+y(:,f_num+x_num+1+i);
end
%第2列儲存擁擠度,其他的覆蓋掉
y(:,f_num+x_num+2)=nd;
y=y(:,1:(f_num+x_num+2));
temp_two(previous_index:current_index,:) = y;
end
chromo=temp_two;
end
1.4 精英保留策略
1.首先將父代種群和子代種群合成種群。
2.根據以下規則從種群生成新的父代種群:
①根據Pareto等級從低到高的順序,將整層種群放入父代種群,直到某一層該層個體不能全部放入父代種群;
②將該層個體根據擁擠度從大到小排列,依次放入父代種群中,直到父代種群填滿。
matlab程式碼如下:
function chromo = elitism( pop,combine_chromo2,f_num,x_num )
%精英保留策略
[pop2,temp]=size(combine_chromo2);
chromo_rank=zeros(pop2,temp);
chromo=zeros(pop,(f_num+x_num+2));
%根據pareto等級從高到低進行排序
[~,index_rank]=sort(combine_chromo2(:,f_num+x_num+1));
for i=1:pop2
chromo_rank(i,:)=combine_chromo2(index_rank(i),:);
end
%求出最高的pareto等級
max_rank=max(combine_chromo2(:,f_num+x_num+1));
%根據排序後的順序,將等級相同的種群整個放入父代種群中,直到某一層不能全部放下為止
prev_index=0;
for i=1:max_rank
%尋找當前等級i個體裡的最大索引
current_index=max(find(chromo_rank(:,(f_num+x_num+1))==i));
%不能放下為止
if(current_index>pop)
%剩餘群體數
remain_pop=pop-prev_index;
%等級為i的個體
temp=chromo_rank(((prev_index+1):current_index),:);
%根據擁擠度從大到小排序
[~,index_crowd]=sort(temp(:,(f_num+x_num+2)),'descend');
%填滿父代
for j=1:remain_pop
chromo(prev_index+j,:)=temp(index_crowd(j),:);
end
return;
elseif(current_index<pop)
% 將所有等級為i的個體直接放入父代種群
chromo(((prev_index+1):current_index),:)=chromo_rank(((prev_index+1):current_index),:);
else
% 將所有等級為i的個體直接放入父代種群
chromo(((prev_index+1):current_index),:)=chromo_rank(((prev_index+1):current_index),:);
return;
end
prev_index = current_index;
end
end
1.5 實數編碼的交叉操作(SBX)
模擬二進位制交叉:
其中
1.6 多項式變異(polynomial mutation)
多項式變異:
其中
並且0≤≤1。
matlab程式碼如下:
function chromo_offspring = cross_mutation( chromo_parent,f_num,x_num,x_min,x_max,pc,pm,yita1,yita2,fun )
%模擬二進位制交叉與多項式變異
[pop,~]=size(chromo_parent);
suoyin=1;
for i=1:pop
%%%模擬二進位制交叉
%初始化子代種群
%隨機選取兩個父代個體
parent_1=round(pop*rand(1));
if (parent_1<1)
parent_1=1;
end
parent_2=round(pop*rand(1));
if (parent_2<1)
parent_2=1;
end
%確定兩個父代個體不是同一個
while isequal(chromo_parent(parent_1,:),chromo_parent(parent_2,:))
parent_2=round(pop*rand(1));
if(parent_2<1)
parent_2=1;
end
end
chromo_parent_1=chromo_parent(parent_1,:);
chromo_parent_2=chromo_parent(parent_2,:);
off_1=chromo_parent_1;
off_2=chromo_parent_1;
if(rand(1)<pc)
%進行模擬二進位制交叉
u1=zeros(1,x_num);
gama=zeros(1,x_num);
for j=1:x_num
u1(j)=rand(1);
if u1(j)<0.5
gama(j)=(2*u1(j))^(1/(yita1+1));
else
gama(j)=(1/(2*(1-u1(j))))^(1/(yita1+1));
end
off_1(j)=0.5*((1+gama(j))*chromo_parent_1(j)+(1-gama(j))*chromo_parent_2(j));
off_2(j)=0.5*((1-gama(j))*chromo_parent_1(j)+(1+gama(j))*chromo_parent_2(j));
%使子代在定義域內
if(off_1(j)>x_max(j))
off_1(j)=x_max(j);
elseif(off_1(j)<x_min(j))
off_1(j)=x_min(j);
end
if(off_2(j)>x_max(j))
off_2(j)=x_max(j);
elseif(off_2(j)<x_min(j))
off_2(j)=x_min(j);
end
end
%計運算元代個體的目標函式值
off_1(1,(x_num+1):(x_num+f_num))=object_fun(off_1,f_num,x_num,fun);
off_2(1,(x_num+1):(x_num+f_num))=object_fun(off_2,f_num,x_num,fun);
end
%%%多項式變異
if(rand(1)<pm)
u2=zeros(1,x_num);
delta=zeros(1,x_num);
for j=1:x_num
u2(j)=rand(1);
if(u2(j)<0.5)
delta(j)=(2*u2(j))^(1/(yita2+1))-1;
else
delta(j)=1-(2*(1-u2(j)))^(1/(yita2+1));
end
off_1(j)=off_1(j)+delta(j);
%使子代在定義域內
if(off_1(j)>x_max(j))
off_1(j)=x_max(j);
elseif(off_1(j)<x_min(j))
off_1(j)=x_min(j);
end
end
%計運算元代個體的目標函式值
off_1(1,(x_num+1):(x_num+f_num))=object_fun(off_1,f_num,x_num,fun);
end
if(rand(1)<pm)
u2=zeros(1,x_num);
delta=zeros(1,x_num);
for j=1:x_num
u2(j)=rand(1);
if(u2(j)<0.5)
delta(j)=(2*u2(j))^(1/(yita2+1))-1;
else
delta(j)=1-(2*(1-u2(j)))^(1/(yita2+1));
end
off_2(j)=off_2(j)+delta(j);
%使子代在定義域內
if(off_2(j)>x_max(j))
off_2(j)=x_max(j);
elseif(off_2(j)<x_min(j))
off_2(j)=x_min(j);
end
end
%計運算元代個體的目標函式值
off_2(1,(x_num+1):(x_num+f_num))=object_fun(off_2,f_num,x_num,fun);
end
off(suoyin,:)=off_1;
off(suoyin+1,:)=off_2;
suoyin=suoyin+2;
end
chromo_offspring=off;
end
1.7 競標賽選擇(tournament selection)
錦標賽法是選擇操作的一種常用方法,二進位制競標賽用的最多。
假設種群規模為N,該法的步驟為:
1.從這N個個體中隨機選擇k(k<n)個個體,k的取值小,效率就高(節省執行時間),但不宜太小,一般取為n/2(取整)。(二進位制即取2)
2.根據每個個體的適應度值,選擇其中適應度值最好的個體進入下一代種群。
3.重複1-2步,至得到新的N個個體。
二進位制選擇的matlab程式碼如下:
function chromo_parent = tournament_selection( chromo )
%二進位制競標賽
[pop, suoyin] = size(chromo);
touranment=2;
a=round(pop/2);
chromo_candidate=zeros(touranment,1);
chromo_rank=zeros(touranment,1);
chromo_distance=zeros(touranment,1);
chromo_parent=zeros(a,suoyin);
% 獲取等級的索引
rank = suoyin - 1;
% 獲得擁擠度的索引
distance = suoyin;
for i=1:a
for j=1:touranment
chromo_candidate(j)=round(pop*rand(1));%隨機產生候選者
if(chromo_candidate(j)==0)%索引從1開始
chromo_candidate(j)=1;
end
if(j>1)
while (~isempty(find(chromo_candidate(1:j-1)==chromo_candidate(j))))
chromo_candidate(j)=round(pop*rand(1));
if(chromo_candidate(j)==0)%索引從1開始
chromo_candidate(j)=1;
end
end
end
end
for j=1:touranment
chromo_rank(j)=chromo(chromo_candidate(j),rank);
chromo_distance(j)=chromo(chromo_candidate(j),distance);
end
%取出低等級的個體索引
minchromo_candidate=find(chromo_rank==min(chromo_rank));
%多個索引按擁擠度排序
if (length(minchromo_candidate)~=1)
maxchromo_candidate=find(chromo_distance(minchromo_candidate)==max(chromo_distance(minchromo_candidate)));
if(length(maxchromo_candidate)~=1)
maxchromo_candidate = maxchromo_candidate(1);
end
chromo_parent(i,:)=chromo(chromo_candidate(minchromo_candidate(maxchromo_candidate)),:);
else
chromo_parent(i,:)=chromo(chromo_candidate(minchromo_candidate(1)),:);
end
end
end
2. 演算法實現框圖
NSGA-Ⅱ演算法的基本思想為:首先,隨機產生規模為N的初始種群,非支配排序後通過遺傳演算法的選擇、交叉、變異三個基本操作得到第一代子代種群;其次,從第二代開始,將父代種群與子代種群合併,進行快速非支配排序,同時對每個非支配層中的個體進行擁擠度計算,根據非支配關係以及個體的擁擠度選取合適的個體組成新的父代種群;最後,通過遺傳演算法的基本操作產生新的子代種群:依此類推,直到滿足程式結束的條件。該演算法的流程圖如圖3所示。
初始化matlab程式碼如下:
function chromo = initialize( pop,f_num,x_num,x_min,x_max,fun )
% 種群初始化
for i=1:pop
for j=1:x_num
chromo(i,j)=x_min(j)+(x_max(j)-x_min(j))*rand(1);
end
chromo(i,x_num+1:x_num+f_num) = object_fun(chromo(i,:),f_num,x_num,fun);
end
主程式matlab程式碼如下:
%---------------------------------------------------------------------
%程式功能:實現nsga2演算法,測試函式為ZDT1,ZDT2,ZDT3,ZDT4,ZDT6,DTLZ1,DTLZ2
%說明:遺傳運算元為二進位制競賽選擇,模擬二進位制交叉和多項式變異
% 需要設定的引數:pop,gen,pc,pm,yita1,yita2
%作者:(曉風)
%最初建立時間:2018.9.3
%最近修改時間:2018.9.20
%----------------------------------------------------------
clear all
clc
tic;
%引數設定
fun='DTLZ1';
funfun;%函式選擇
pop=300;%種群大小100
gen=250;%250進化代數
pc=1;%交叉概率
pm=1/x_num;%變異概率
% yita1=1;%模擬二進位制交叉引數
% yita2=10;%多項式變異引數
yita1=2;%模擬二進位制交叉引數10
yita2=5;%多項式變異引數50
%%初始化種群
chromo=initialize(pop,f_num,x_num,x_min,x_max,fun);
%%初始種群的非支配排序
[F1,chromo_non]=non_domination_sort(pop,chromo,f_num,x_num);%F為pareto等級為pareto_rank的集合,%p為每個個體p的集合(包括每個個體p的被支配個數n和該個體支配的解的集合s),chromo最後一列加入個體的等級
%%計算擁擠度進行排序
chromo=crowding_distance_sort(F1,chromo_non,f_num,x_num);
i=1;
%%迴圈開始
for i=1:gen
%%二進位制競賽選擇(k取了pop/2,所以選兩次)
chromo_parent_1 = tournament_selection(chromo);
chromo_parent_2 = tournament_selection(chromo);
chromo_parent=[chromo_parent_1;chromo_parent_2];
%%模擬二進位制交叉與多項式變異
chromo_offspring=cross_mutation(chromo_parent,f_num,x_num,x_min,x_max,pc,pm,yita1,yita2,fun );
%%精英保留策略
%將父代和子代合併
[pop_parent,~]=size(chromo);
[pop_offspring,~]=size(chromo_offspring);
combine_chromo(1:pop_parent,1:(f_num+x_num))=chromo(:,1:(f_num+x_num));
combine_chromo((pop_parent+1):(pop_parent+pop_offspring),1:(f_num+x_num))=chromo_offspring(:,1:(f_num+x_num));
%快速非支配排序
[pop2,~]=size(combine_chromo);
[F2,combine_chromo1]=non_domination_sort(pop2,combine_chromo,f_num,x_num);
%計算擁擠度進行排序
combine_chromo2=crowding_distance_sort(F2,combine_chromo1,f_num,x_num);
%精英保留產生下一代種群
chromo=elitism(pop,combine_chromo2,f_num,x_num);
if mod(i,10) == 0
fprintf('%d gen has completed!\n',i);
end
end
toc;
aaa=toc;
hold on
if(f_num==2)
plot(chromo(:,x_num+1),chromo(:,x_num+2),'r*');
end
if(f_num==3)
plot3(chromo(:,x_num+1),chromo(:,x_num+2),chromo(:,x_num+2),'r*');
end
%%--------------------delta度量--------------------------------
% [~,index_f1]=sort(chromo(:,x_num+1));
% d=zeros(length(chromo)-1,1);
% for i=1:(length(chromo)-1)
% d(i)=((chromo(index_f1(i),x_num+1)-chromo(index_f1(i+1),x_num+1))^2+(chromo(index_f1(i),x_num+2)-chromo(index_f1(i+1),x_num+2))^2)^0.5;
% end
% d_mean1=mean(d);
% d_mean=d_mean1*ones(length(chromo)-1,1);
% d_sum=sum(abs(d-d_mean));
% delta=(d(1)+d(length(chromo)-1)+d_sum)/(d(1)+d(length(chromo)-1)+(length(chromo)-1)*d_mean1);
% disp(delta);
%mean(a)
%(std(a))^2
%--------------------Coverage(C-metric)---------------------
A=PP;B=chromo(:,(x_num+1):(x_num+f_num));%%%%%%%%%%%%%%%%%%%
[temp_A,~]=size(A);
[temp_B,~]=size(B);
number=0;
for i=1:temp_B
nn=0;
for j=1:temp_A
less=0;%當前個體的目標函式值小於多少個體的數目
equal=0;%當前個體的目標函式值等於多少個體的數目
for k=1:f_num
if(B(i,k)<A(j,k))
less=less+1;
elseif(B(i,k)==A(j,k))
equal=equal+1;
end
end
if(less==0 && equal~=f_num)
nn=nn+1;%被支配個體數目n+1
end
end
if(nn~=0)
number=number+1;
end
end
C_AB=number/temp_B;
disp("C_AB:");
disp(C_AB);
%-----Distance from Representatives in the PF(D-metric)-----
A=chromo(:,(x_num+1):(x_num+f_num));P=PP;%%%%%%與論文公式保持相同,注意A和上述不一樣
[temp_A,~]=size(A);
[temp_P,~]=size(P);
min_d=0;
for v=1:temp_P
d_va=(A-repmat(P(v,:),temp_A,1)).^2;
min_d=min_d+min(sqrt(sum(d_va,2)));
end
D_AP=(min_d/temp_P);
disp("D_AP:");
disp(D_AP);
filepath=pwd;
cd('E:\GA\MOEA D\MOEAD_王超\nsga2對比運算元修改\DTLZ1');
save C_AB4.txt C_AB -ASCII
save D_AP4.txt D_AP -ASCII
save solution4.txt chromo -ASCII
save toc4.txt aaa -ASCII
cd(filepath);
3. 實驗結果
本文使用實數編碼的模擬二進位制交叉和多項式變異,交叉概率,變異概率,,。以下為選取的5個非凸非均勻的多目標函式的執行結果如圖4到圖8所示。
函式範圍的matlab程式碼如下:
%測試函式
%--------------------ZDT1--------------------
if strcmp(fun,'ZDT1')
f_num=2;%目標函式個數
x_num=30;%決策變數個數
x_min=zeros(1,x_num);%決策變數的最小值
x_max=ones(1,x_num);%決策變數的最大值
load('ZDT1.txt');%匯入正確的前端解
plot(ZDT1(:,1),ZDT1(:,2),'g*');
PP=ZDT1;
end
%--------------------ZDT2--------------------
if strcmp(fun,'ZDT2')
f_num=2;%目標函式個數
x_num=30;%決策變數個數
x_min=zeros(1,x_num);%決策變數的最小值
x_max=ones(1,x_num);%決策變數的最大值
load('ZDT2.txt');%匯入正確的前端解
plot(ZDT2(:,1),ZDT2(:,2),'g*');
PP=ZDT2;
end
%--------------------ZDT3--------------------
if strcmp(fun,'ZDT3')
f_num=2;%目標函式個數
x_num=30;%決策變數個數
x_min=zeros(1,x_num);%決策變數的最小值
x_max=ones(1,x_num);%決策變數的最大值
load('ZDT3.txt');%匯入正確的前端解
plot(ZDT3(:,1),ZDT3(:,2),'g*');
PP=ZDT3;
end
%--------------------ZDT4--------------------
if strcmp(fun,'ZDT4')
f_num=2;%目標函式個數
x_num=10;%決策變數個數
x_min=[0,-5,-5,-5,-5,-5,-5,-5,-5,-5];%決策變數的最小值
x_max=[1,5,5,5,5,5,5,5,5,5];%決策變數的最大值
load('ZDT4.txt');%匯入正確的前端解
plot(ZDT4(:,1),ZDT4(:,2),'g*');
PP=ZDT4;
end
%--------------------ZDT6--------------------
if strcmp(fun,'ZDT6')
f_num=2;%目標函式個數
x_num=10;%決策變數個數
x_min=zeros(1,x_num);%決策變數的最小值
x_max=ones(1,x_num);%決策變數的最大值
load('ZDT6.txt');%匯入正確的前端解
plot(ZDT6(:,1),ZDT6(:,2),'g*');
PP=ZDT6;
end
%--------------------------------------------
%--------------------DTLZ1--------------------
if strcmp(fun,'DTLZ1')
f_num=3;%目標函式個數
x_num=10;%決策變數個數
x_min=zeros(1,x_num);%決策變數的最小值
x_max=ones(1,x_num);%決策變數的最大值
load('DTLZ1.txt');%匯入正確的前端解
% plot3(DTLZ1(:,1),DTLZ1(:,2),DTLZ1(:,3),'g*');
PP=DTLZ1;
end
%--------------------------------------------
%--------------------DTLZ2--------------------
if strcmp(fun,'DTLZ2')
f_num=3;%目標函式個數
x_num=10;%決策變數個數
x_min=zeros(1,x_num);%決策變數的最小值
x_max=ones(1,x_num);%決策變數的最大值
load('DTLZ2.txt');%匯入正確的前端解
% plot3(DTLZ2(:,1),DTLZ2(:,2),DTLZ2(:,3),'g*');
PP=DTLZ2;
end
%--------------------------------------------
函式的matlab程式碼如下:
function f = object_fun( x,f_num,x_num,fun )
% --------------------ZDT1--------------------
if strcmp(fun,'ZDT1')
f=[];
f(1)=x(1);
sum=0;
for i=2:x_num
sum = sum+x(i);
end
g=1+9*(sum/(x_num-1));
f(2)=g*(1-(f(1)/g)^0.5);
end
% --------------------ZDT2--------------------
if strcmp(fun,'ZDT2')
f=[];
f(1)=x(1);
sum=0;
for i=2:x_num
sum = sum+x(i);
end
g=1+9*(sum/(x_num-1));
f(2)=g*(1-(f(1)/g)^2);
end
% --------------------ZDT3--------------------
if strcmp(fun,'ZDT3')
f=[];
f(1)=x(1);
sum=0;
for i=2:x_num
sum = sum+x(i);
end
g=1+9*(sum/(x_num-1));
f(2)=g*(1-(f(1)/g)^0.5-(f(1)/g)*sin(10*pi*f(1)));
end
% --------------------ZDT4--------------------
if strcmp(fun,'ZDT4')
f=[];
f(1)=x(1);
sum=0;
for i=2:x_num
sum = sum+(x(i)^2-10*cos(4*pi*x(i)));
end
g=1+9*10+sum;
f(2)=g*(1-(f(1)/g)^0.5);
end
% --------------------ZDT6--------------------
if strcmp(fun,'ZDT6')
f=[];
f(1)=1-(exp(-4*x(1)))*((sin(6*pi*x(1)))^6);
sum=0;
for i=2:x_num
sum = sum+x(i);
end
g=1+9*((sum/(x_num-1))^0.25);
f(2)=g*(1-(f(1)/g)^2);
end
% --------------------------------------------
% --------------------DTLZ1--------------------
if strcmp(fun,'DTLZ1')
f=[];
sum=0;
for i=3:x_num
sum = sum+((x(i)-0.5)^2-cos(20*pi*(x(i)-0.5)));
end
g=100*(x_num-2)+100*sum;
f(1)=(1+g)*x(1)*x(2);
f(2)=(1+g)*x(1)*(1-x(2));
f(3)=(1+g)*(1-x(1));
end
% --------------------------------------------
% --------------------DTLZ2--------------------
if strcmp(fun,'DTLZ2')
f=[];
sum=0;
for i=3:x_num
sum = sum+(x(i))^2;
end
g=sum;
f(1)=(1+g)*cos(x(1)*pi*0.5)*cos(x(2)*pi*0.5);
f(2)=(1+g)*cos(x(1)*pi*0.5)*sin(x(2)*pi*0.5);
f(3)=(1+g)*sin(x(1)*pi*0.5);
end
% --------------------------------------------
end
3.1 ZDT1
選取種群大小為500,迭代次數500次,pc=0.9,pm=1/30,ηc=20,ηm=20,得到結果如圖4(上)所示。
選取種群大小為100,迭代次數2000次,pc=0.9,pm=1/30,ηc=20,ηm=20,得到結果如圖4(下)所示。
圖4 ZDT1 pareto最優解對比圖(綠色為理論值,紅色為實驗值)
3.2 ZDT2
選取種群大小為500,迭代次數500次,pc=0.9,pm=1/30,ηc=20,ηm=20,得到結果如圖5(上)所示。
選取種群大小為100,迭代次數2000次,pc=0.9,pm=1/30,ηc=20,ηm=20,得到結果如圖5(下)所示。
圖5 ZDT2 pareto最優解對比圖(綠色為理論值,紅色為實驗值)
3.3 ZDT3
選取種群大小為136,迭代次數500次,pc=0.9,pm=1/30,ηc=20,ηm=20,得到結果如圖6示。
選取種群大小為136,迭代次數2000次,pc=0.9,pm=1/30,ηc=20,ηm=20,得到結果如圖6示。
圖6 ZDT3 pareto最優解對比圖(綠色為理論值,紅色為實驗值)
3.4 ZDT4
選取種群大小為100,迭代次數500次,pc=0.9,pm=0.1,ηc=20,ηm=10,得到結果如圖7(上)所示。
選取種群大小為100,迭代次數2000次,pc=0.9,pm=0.1,ηc=20,ηm=10,得到結果如圖7(下)所示。
圖7 ZDT4 pareto最優解對比圖(綠色為理論值,紅色為實驗值)
3.5 ZDT6
選取種群大小為100,迭代次數500次,pc=0.9,pm=0.1,ηc=20,ηm=20,得到結果如圖8(上)所示。
選取種群大小為100,迭代次數2000次,pc=0.9,pm=0.1,ηc=20,ηm=20,得到結果如圖8(下)所示。
圖8 ZDT6 pareto最優解對比圖(綠色為理論值,紅色為實驗值)
從結果中可以看出,除ZDT4以外,找到的解幾乎全部是pareto前端上的點,並且解在目標空間上分佈十分均勻,該演算法對於非凸非均勻的多目標函式最優解的尋找還是十分有效的。由於ZDT4具有許多區域性pareto最優前沿,為了擺脫這些區域性前沿,需要對決策向量進行大的改變,因此選取ηm=10,但仍離真正的pareto前沿還有很大的差距。
3.6 對比
表1 γ的均值和方差(500代)
專案 | ZDT1 | ZDT2 | ZDT3 | ZDT4 | ZDT6 |
---|---|---|---|---|---|
均值 | 0.0532 | 0.0972 | 0.1712 | 20.2304 | 0.3284 |
方差 | 0.0021 | 0.0051 | 0.0048 | 0.6310 | 0.0109 |
表2 Δ的均值和方差(500代)
專案 | ZDT1 | ZDT2 | ZDT3 | ZDT4 | ZDT6 |
---|---|---|---|---|---|
均值 | 0.4575 | 0.4615 | 0.6640 | 0.5203 | 0.9538 |
方差 | 0.0021 | 0.0015 | 0.0030 | 0.0013 | 0.0055 |
表3 γ的均值和方差(2000代)
專案 | ZDT1 | ZDT2 | ZDT3 | ZDT4 | ZDT6 |
---|---|---|---|---|---|
均值 | 0.0011 | 0.0027 | 0.0225 | 12.0341 | 0.2092 |
方差 | 0.0002 | 0.0002 | 0.0005 | 0.3320 | 0.0021 |
表4 Δ的均值和方差(2000代)
專案 | ZDT1 | ZDT2 | ZDT3 | ZDT4 | ZDT6 |
---|---|---|---|---|---|
均值 | 0.4478 | 0.4337 | 0.6586 | 0.5168 | 0.4529 |
方差 | 0.0001 | 0.0003 | 0.0006 | 0.0018 | 0.0001 |
根據上述實驗資料,進行五組實驗,計算distance metric γ,diversity metric Δ的均值和方差,迭代500次後得到結果如表格1-2所示。迭代2000次後得到的結果如表格3-4所示。
表1顯示了NSGA-Ⅱ(實數編碼500代)在5個問題上執行獲得的distance metric γ的均值和方差,實驗結果表明,除了ZDT4和ZDT6以外的問題均取得了良好的收斂效果,除ZDT4以外,其他問題5次執行結果的差異也都很小。
表2顯示了NSGA-Ⅱ(實數編碼500代)在5個問題上執行獲得的diversity metric Δ的均值和方差,實驗結果表明,NSGA-Ⅱ在上述問題上均具有較強的傳播多樣性,並且5次執行結果的差異都很小。
像500代的時候一樣保留所有其他引數,但將代數增加至2000代,得到表3的distance metric γ的均值和方差以及表4的diversity metric Δ的均值和方差。將表3表4與表1表2對比可知,5個問題的distance metric γ隨著代數的增加都有改善,其中ZDT3和ZDT4的改善尤為顯著,除此之外,因為在500代時問題的結果已經有了良好的多樣性分佈了,所以代數的增加並沒有對diversity metric Δ產生巨大的影響。
[1]:Deb K, Pratap A, Agarwal S, et al. A fast and elitist multiobjective genetic algorithm: NSGA-II[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2):182-197.
相關文章
- 多目標遺傳演算法NSGA-Ⅱ與其Python實現多目標投資組合優化問題演算法Python優化
- NSGA2、NSGA-II實現、基於分配的多目標進化-PythonPython
- 【多目標優化演算法】非支配的精英策略遺傳演算法:NSGA-II優化演算法
- 資訊流短視訊時長多目標優化優化
- python實現:目標優化演算法——遺傳演算法Python優化演算法
- 目標函式的經典優化演算法介紹函式優化演算法
- 【機器學習】【base】 之 目標函式 損失函式 優化演算法機器學習函式優化演算法
- goldengate同源一目標+多表和同源多目標+多表Go
- Python遺傳演算法工具箱的使用(一)求解帶約束的單目標優化Python演算法優化
- 網易嚴選跨域多目標演算法演進跨域演算法
- NSGA2 演算法Matlab實現演算法Matlab
- 遊戲產品如何做優化(一) :找準目標使用者遊戲優化
- 一次目標是演算法的征途演算法
- 運籌優化(六)--目標規劃定義及解法優化
- 高通Vuforia優化目標檢測與跟蹤穩定性優化
- Python遺傳演算法框架使用例項(二)多目標優化問題Geatpy for Python與Matlab的對比學習Python演算法框架優化Matlab
- 目標跟蹤演算法概述演算法
- 「GAN優化」什麼是模式崩潰,以及如何從優化目標上解決這個問題優化模式
- 目標檢測演算法學習演算法
- opencv的目標跟蹤演算法OpenCV演算法
- 目標跟蹤演算法分類演算法
- 多租戶系統的建立目標
- NodeJS Docker 打包全面優化:優雅停機、多階段、上下文目錄NodeJSDocker優化
- 架構之路(一):目標架構
- 前端優化系列之目錄前端優化
- 目標檢測演算法盤點(最全)演算法
- 進階目標 -- 新的一年的進階目標
- 深度學習|基於MobileNet的多目標跟蹤深度學習演算法深度學習演算法
- 互動式多模型(IMM)的自適應機動目標跟蹤演算法模型演算法
- 如何發現品牌潛客?目標人群優選演算法模型及實踐解析演算法模型
- MySQL優化--IO排程演算法優化MySql優化演算法
- 多目標跟蹤全解析,全網最全
- 群體智慧優化演算法之粒子群優化演算法優化演算法
- 排序演算法的彩色視覺化,一目瞭然排序演算法視覺化
- 如何優化多個關鍵詞?分享多關鍵詞優化心得優化
- 基於布穀鳥搜尋的多目標最佳化matlab模擬Matlab
- IPFS/Filecoin去中心化網路目標中心化
- 萬字長文概述單目3D目標檢測演算法3D演算法