【MOSMA】基于粘菌算法求解多目标优化问题附matlab代码

简介: 【MOSMA】基于粘菌算法求解多目标优化问题附matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法  神经网络预测雷达通信 无线传感器

信号处理图像处理路径规划元胞自动机无人机 电力系统

⛄ 内容介绍

本文提出了一种多目标粘菌算法 (MOSMA),这是最近开发的粘菌算法 (SMA) 的多目标变体,用于处理工业中的多目标优化问题。最近,为了处理优化问题,优化社区提出了几种元启发式和进化优化技术。在评估多目标优化 (MOO) 问题时,这些方法往往会遇到低质量的解决方案,而不是解决识别帕累托最优解的准确估计和增加所有目标的分布的目标函数。SMA 方法遵循在实验室实验中从粘菌的振荡行为中获得的逻辑。与其他成熟的方法相比,SMA 算法显示出强大的性能,它是通过使用正负反馈系统结合最佳食物路径来设计的。所提出的 MOSMA 算法采用相同的底层 SMA 收敛机制,结合精英非支配排序方法来估计帕累托最优解。作为后验方法,MOSMA 中保留了多目标公式,并利用拥挤距离算子来确保增加所有目标的最佳解决方案的覆盖范围。为了验证和验证 MOSMA 的性能,考虑了 41 个不同的案例研究,包括无约束、约束和现实世界的工程设计问题。将 MOSMA 的性能与多目标共生生物搜索 (MOSOS) 进行比较,基于分解的多目标进化算法(MOEA / D)和多目标水循环算法(MOWCA)在不同性能指标方面,例如世代距离(GD),反向世代距离(IGD),最大传播(MS) 、间距和运行时间。仿真结果证明了所提出的算法在实现所有多目标问题的高质量解决方案方面的优越性,包括线性、非线性、连续和离散 Pareto 最优前沿。结果表明所提出的算法在解决复杂的多目标问题中是有效的。最大传播 (MS)、间距和运行时间。仿真结果证明了所提出的算法在实现所有多目标问题的高质量解决方案方面的优越性,包括线性、非线性、连续和离散 Pareto 最优前沿。结果表明所提出的算法在解决复杂的多目标问题中是有效的。最大传播 (MS)、间距和运行时间。仿真结果证明了所提出的算法在实现所有多目标问题的高质量解决方案方面的优越性,包括线性、非线性、连续和离散 Pareto 最优前沿。结果表明所提出的算法在解决复杂的多目标问题中是有效的。

⛄ 部分代码

%% Multiple Objective Slime Mould Algorithm (MOSMA)

% M. Premkumar, P. Jangir, R. Sowmya, H. H. Alhelou, A. A. Heidari and H. Chen,

% "MOSMA: Multi-objective Slime Mould Algorithm Based on Elitist Non-dominated Sorting,"

% in IEEE Access, doi: 10.1109/ACCESS.2020.3047936.

%% Objective Function

% The objective function description contains information about the

% objective function. M is the dimension of the objective space, D is the

% dimension of decision variable space, LB and UB are the

% range for the variables in the decision variable space. User has to

% define the objective functions using the decision variables. Make sure to

% edit the function 'evaluate_objective' to suit your needs.

clc

clear all

close all

D = 30; % Number of decision variables

M = 2; % Number of objective functions

K=M+D;

LB = ones(1, D).*0; %  LB - A vector of decimal values which indicate the minimum value for each decision variable.

UB = ones(1, D).*1; % UB - Vector of maximum possible values for decision variables.

GEN = 200;  % Set the maximum number of generation (GEN)

ecosize = 200;      % Set the population size (NP)

ishow = 10;

%% Start the evolution process

Pareto = MOSMA(D,M,LB,UB,ecosize,GEN,ishow);

Obtained_Pareto= Pareto(:,D+1:D+M); % extract data to plot

Obtained_Pareto=sortrows(Obtained_Pareto,2);

True_Pareto=load('ZDT3.txt');

%% Plot data

if M == 2

   plot(Obtained_Pareto(:,1),Obtained_Pareto(:,2),'o','LineWidth',2,...

       'MarkerEdgeColor','r','MarkerSize',2);

   hold on

   plot(True_Pareto(:,1),True_Pareto(:,2),'k');

   title('Optimal Solution Pareto Set using MOSMA');

   legend('MOSMA');

   xlabel('F_1');

   ylabel('F_2');

elseif M == 3

   plot3(Obtained_Pareto(:,1),Obtained_Pareto(:,2),Obtained_Pareto(:,3),'o','LineWidth',2,...

       'MarkerEdgeColor','r','MarkerSize',2);

   hold on

   plot3(Obtained_Pareto(:,1),Obtained_Pareto(:,2),Obtained_Pareto(:,3),'.','LineWidth',2,...

       'MarkerEdgeColor','k','MarkerSize',6);

   title('Optimal Solution Pareto Set using MOSMA');

   legend('MOSMA');

   xlabel('F_1');

   ylabel('F_2');

   zlabel('F_3');

end

%%  Metric Value

M_IGD=IGD(Obtained_Pareto,True_Pareto);

M_GD=GD(Obtained_Pareto,True_Pareto);

M_HV=HV(Obtained_Pareto,True_Pareto);

M_Spacing=Spacing(Obtained_Pareto,True_Pareto);

M_Spread=Spread(Obtained_Pareto,True_Pareto);

M_DeltaP=DeltaP(Obtained_Pareto,True_Pareto);

display(['The IGD Metric obtained by MOSMA is     : ', num2str(M_IGD)]);

display(['The GD Metric obtained by MOSMA is      : ', num2str(M_GD)]);

display(['The HV Metric obtained by MOSMA is      : ', num2str(M_HV)]);

display(['The Spacing Metric obtained by MOSMA is : ', num2str(M_Spacing)]);

display(['The Spread Metric obtained by MOSMA is  : ', num2str(M_Spread)]);

display(['The DeltaP Metric obtained by MOSMA is  : ', num2str(M_DeltaP)]);

⛄ 运行结果

⛄ 参考文献

M. Premkumar, Pradeep Jangir, R. Sowmya, Hassan Haes Alhelou, Ali Asghar Heidari, and Huiling Chen, "MOSMA: Multi-Objective Slime Mould Algorithm Based on Elitist Non-Dominated Sorting," IEEE Access, vol. 9, pp. 3229-3248, 2021.

⛄ Matlab代码关注

❤️部分理论引用网络文献,若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料


相关文章
|
7天前
|
存储 算法 调度
【复现】【遗传算法】考虑储能和可再生能源消纳责任制的售电公司购售电策略(Python代码实现)
【复现】【遗传算法】考虑储能和可再生能源消纳责任制的售电公司购售电策略(Python代码实现)
105 26
|
7天前
|
存储 编解码 算法
【多光谱滤波器阵列设计的最优球体填充】使用MSFA设计方法进行各种重建算法时,图像质量可以提高至多2 dB,并在光谱相似性方面实现了显著提升(Matlab代码实现)
【多光谱滤波器阵列设计的最优球体填充】使用MSFA设计方法进行各种重建算法时,图像质量可以提高至多2 dB,并在光谱相似性方面实现了显著提升(Matlab代码实现)
|
4天前
|
机器学习/深度学习 人工智能 搜索推荐
从零构建短视频推荐系统:双塔算法架构解析与代码实现
短视频推荐看似“读心”,实则依赖双塔推荐系统:用户塔与物品塔分别将行为与内容编码为向量,通过相似度匹配实现精准推送。本文解析其架构原理、技术实现与工程挑战,揭秘抖音等平台如何用AI抓住你的注意力。
110 6
从零构建短视频推荐系统:双塔算法架构解析与代码实现
|
7天前
|
机器学习/深度学习 传感器 算法
【高创新】基于优化的自适应差分导纳算法的改进最大功率点跟踪研究(Matlab代码实现)
【高创新】基于优化的自适应差分导纳算法的改进最大功率点跟踪研究(Matlab代码实现)
85 14
|
7天前
|
存储 算法 安全
【多目标工程应用】基于MOGWO的地铁隧道上方基坑工程优化设计研究(Matlab代码实现)
【多目标工程应用】基于MOGWO的地铁隧道上方基坑工程优化设计研究(Matlab代码实现)
|
7天前
|
机器学习/深度学习 运维 算法
【微电网多目标优化调度】多目标学习者行为优化算法MOLPB求解微电网多目标优化调度研究(Matlab代码实现)
【微电网多目标优化调度】多目标学习者行为优化算法MOLPB求解微电网多目标优化调度研究(Matlab代码实现)
|
9天前
|
算法 计算机视觉
【MPDR & SMI】失配广义夹角随输入信噪比变化趋势、输出信干噪比随输入信噪比变化趋势研究(Matlab代码实现)
【MPDR & SMI】失配广义夹角随输入信噪比变化趋势、输出信干噪比随输入信噪比变化趋势研究(Matlab代码实现)
|
9天前
|
编解码 人工智能 算法
【采用BPSK或GMSK的Turbo码】MSK、GMSK调制二比特差分解调、turbo+BPSK、turbo+GMSK研究(Matlab代码实现)
【采用BPSK或GMSK的Turbo码】MSK、GMSK调制二比特差分解调、turbo+BPSK、turbo+GMSK研究(Matlab代码实现)
|
9天前
|
机器学习/深度学习 编解码 并行计算
【改进引导滤波器】各向异性引导滤波器,利用加权平均来实现最大扩散,同时保持图像中的强边缘,实现强各向异性滤波,同时保持原始引导滤波器的低低计算成本(Matlab代码实现)
【改进引导滤波器】各向异性引导滤波器,利用加权平均来实现最大扩散,同时保持图像中的强边缘,实现强各向异性滤波,同时保持原始引导滤波器的低低计算成本(Matlab代码实现)
|
9天前
|
机器学习/深度学习 传感器 边缘计算
【故障诊断】基于时滞反馈随机共振的增强型旋转电机故障诊断(Matlab代码实现)
【故障诊断】基于时滞反馈随机共振的增强型旋转电机故障诊断(Matlab代码实现)

热门文章

最新文章