基于拥挤距离与变异支配的多目标PSO算法

这一篇是Xue Bing在一区cybernetics发的论文,里面提出了两个多目标PSO特征选择算法,一个是NSPSO另一个是CMDPSO。其中NSPSO是参考了NSGA2的框架和思想。下面具体说说CMDPSO。

CMDPSO全称是Crowding,Mutation,Dominance PSO算法。

NSPSO算法概述与实现

基于非支配排序的多目标PSO算法

 

基于非支配排序的多目标PSO算法MATLAB实现

PSO算法

MATLAB粒子群优化算法实现(PSO)

个体拥挤距离

在同一层Fk中需要进行选择性排序,按照个体拥挤距离(crowding distance)大小排序。个体拥挤距离是Fk上与i相邻的个体i+1和i-1之间的距离,其计算步骤为:
①对同层的个体距离初始化,令L[i]d=0(表示任意个体i的拥挤距离)。
②对同层的个体按照第m个目标函数值升序排列。
③对于处在排序边缘上的个体要给予其选择优势。
④对于排序中间的个体,求拥挤距离:

(其中:L[i+1]m为第i+1个体的第m目标函数值fmax,fmin分别为集合中第m目标函数的最大和最小值。)
⑤对于不同的目标函数,重复②到④的步骤,得到个体i的拥挤距离L[i]d,有限选择拥挤距离较大的个体,可以是计算结果在目标空间均匀地分布,维持群体的多样性。

伪代码

注意archive中存的是每一代的精英粒子集合

具体流程

  • ①划分数据集
  • ②初始化精英集合和存档Archive
  • ③计算拥挤距离
  • ④二进制锦标赛选择一个一个精英个体来作为gbest指导更新
  • ⑤更新粒子
  • ⑥使用变异算子
  • ⑦粒子真实评价
  • ⑧将LeaderSet加入存档
  • ⑨迭代完成后计算存档中的两个目标值

 

一条评论

留下评论

您的电子邮箱地址不会被公开。 必填项已用*标注