多目标优化算法:多目标鹅算法(MOGOOSE)求解UF1-UF10,提供完整MATLAB代码

embedded/2024/11/18 18:23:03/

一、鹅算法GOOSE

算法(Goose Algorithm,简称GOOSE)是一种新型的元启发式算法,灵感来源于鹅在休息和觅食时的行为。GOOSE算法由Rebwar Khalid Hamad等人于2024年1月发表在Springer旗下的非开源SCI期刊《Evolving Systems》上。该算法通过模拟鹅在休息和觅食时的行为来寻找最优解,具有实现简单、易于改进的特点,没有特别复杂的公式,也没有混合策略,适合新手使用。

在这里插入图片描述

算法描述

GOOSE算法的灵感来源于鹅在休息期间的行为,如鹅成群结队地聚集在一起,其中一只靠一条腿保持平衡,以及鹅在觅食时的行为,例如鹅会发出响亮的鸣叫声提醒同伴注意安全。算法通过自适应地调整搜索空间的分辨率和搜索速度,以快速而准确地找到最优解,具有收敛速度快、求解精度高等特点。

算法步骤

  1. 种群初始化:GOOSE首先初始化种群,也称为X矩阵,其中鹅的位置表示为X。在初始化种群后,剔除超出搜索空间的搜索代理,并通过标准化的基准函数在每次迭代中确定每个搜索代理的适合度。

  2. 开发和勘探过程算法通过使用条件和随机变量来平衡勘探和开发阶段。使用指定的随机变量给出了在GOOSE中开发或勘探的50%概率作为“rnd”。按照顺序,迭代使用条件在探索和开发之间平均分配。

    • 开发阶段:在开发阶段,算法会模拟鹅在觅食时的行为,例如寻找鹅储存在脚里的石头的重量,并估计石头落下时到达地球所需的时间。
    • 勘探阶段:在鹅的行为中,若其中一只鹅一醒来,就开始尖叫以保护群中的所有个体,此时开始进入勘探阶段。如果变量rnd的值小于0.5,则应用勘探阶段的方程。

参考文献

[1]Hamad R K, Rashid T A. GOOSE algorithm: a powerful optimization tool for real-world engineering challenges and beyond[J]. Evolving Systems, 2024: 1-26.

二、多目标鹅算法(MOGOOSE)

由于鹅算法GOOSE仅能求解单目标优化问题,为了求解多目标优化问题,本文提出多目标鹅算法(Multi-objective GOOSE Algorithm,MOGOOSE)。MOGOOSE是GOOSE算法的多目标变体,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UF1-UF10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。
在这里插入图片描述
MOGOOSE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是衡量算法生成的非支配解集与真实帕累托前沿之间距离的指标。它计算非支配解集中每个解到最近真实帕累托前沿解的欧氏距离的平均值。GD值越小,表示算法的收敛性越好,即解集越接近真实帕累托前沿。
  2. Inverted Generational Distance (IGD)

    • IGD同时考虑了算法的收敛性和多样性。它计算真实帕累托前沿中的每个解到非支配解集中最近解的欧氏距离的平均值。IGD值越小,表示算法的性能越好,即解集在多样性和收敛性上都更接近真实帕累托前沿。
  3. Hypervolume (HV)

    • HV指标衡量目标空间被非支配解集覆盖的程度。它需要一个参考点,通常是各个目标上的最大值形成的向量。HV值是算法求解得到的非占优解集与参考点之间形成的超立方体的体积。HV值越大,表示算法的收敛性和多样性越好。
  4. Spacing

    • Spacing是衡量解集中各个解之间分布均匀性的指标。它计算解集中每个解到其他解的最小距离的标准差。Spacing值越小,说明解集的分布越均匀。
  5. Spread

    • Spread衡量解集在目标空间中的分布范围。它通常通过计算解集中最远两个解之间的距离来衡量。Spread值越大,表示解集的分布范围越广。
  6. Coverage

    • Coverage指标用于衡量一个解集对另一个解集的覆盖能力。如果解集A的Coverage指标高于解集B,那么意味着解集A在某种程度上能够被解集B覆盖。这个指标通常用于比较两个解集的相对性能。

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=22;
[Name,dim,numObj,lb,ub]=GetProblemInfo(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] = MOGOOSE(Max_iter,SearchAgents_no,Name,dim,numObj,lb,ub);%算法求解

2.3、部分结果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

三、完整MATLAB代码

见下方名片


http://www.ppmy.cn/embedded/138604.html

相关文章

Redis 持久化机制 RDB 和 AOF 区别

Redis 是一个开源的内存数据结构存储系统,广泛应用于缓存、会话存储、实时分析等场景。虽然 Redis 本质上是内存数据库,但它支持持久化机制,将数据保存在磁盘中以防止数据丢失。在 Redis 中,主要有两种持久化机制:RDB(…

前端隐藏元素的方式有哪些?HTML 和 CSS 中隐藏元素的多种方法

当面试官突然问你:“前端隐藏元素的方式有哪些?”你还是只知道 display: none 吗? 其实,在前端开发的世界里,隐藏元素的方法非常多。每种方法都有自己的小技巧和使用场景,了解它们不仅能让你应对自如&…

【Python系列】Python中打印详细堆栈信息的技巧

💝💝💝欢迎来到我的博客,很高兴能够在这里和您见面!希望您在这里可以感受到一份轻松愉快的氛围,不仅可以获得有趣的内容和知识,也可以畅所欲言、分享您的想法和见解。 推荐:kwan 的首页,持续学…

elementUI input 禁止内容两端存在空格,或者是自动去除两端空格

需求 项目中有需求&#xff1a;输入框中禁止内容两端存在空格&#xff0c;或者是自动去除两端空格。 解决方法 vue的api文档中有过介绍&#xff0c;使用.trim可以去掉用户输入内容中两端的空格&#xff0c;如下图 代码 <el-input v-model.trim"name" cleara…

Rust:原子操作 AtomicBool

在 Rust 中&#xff0c;你可以使用 std::sync::atomic 模块来进行原子操作。原子操作在多线程环境中特别有用&#xff0c;因为它们可以确保操作的原子性和可见性&#xff0c;从而避免数据竞争和其他并发问题。 为了读取和设置布尔值&#xff0c;你可以使用 AtomicBool 类型。以…

8. 基于 Redis 实现限流

在高并发的分布式系统中&#xff0c;限流是保证服务稳定性的重要手段之一。通过限流机制&#xff0c;可以控制系统处理请求的频率&#xff0c;避免因瞬时流量过大导致系统崩溃。Redis 是一种高效的缓存数据库&#xff0c;具备丰富的数据结构和原子操作&#xff0c;适合用来实现…

统计HBase表记录条数的方法

一、hbase-shell的count命令 这是最简单直接的操作&#xff0c;但是执行效率非常低&#xff0c;适用于百万级以下的小表RowCount统计&#xff01; hbase> count ns1:t1 hbase> count t1 hbase> count t1, INTERVAL > 100000 二、利用hbase.RowCounter包执行MR…

后仿真中的GLS测试用例的选取规则

一 仿真目的 门级仿真的主要目的,从根本上来说,是确保在物理实现阶段所应用的SDC(Standard Delay Constraint,标准延迟约束文件)中的各项约束条件准确无误地反映了设计的初衷和要求。这一环节在芯片设计的整体流程中占据着至关重要的地位,因为它直接关系到最终芯片的物理…