多目标蜉蝣优化算法(MOMA)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

⛄ 部分代码

cl；清除; 关闭所有;

％％问题定义

% 目标函数

ANSWER=listdlg('PromptString','Choose Objective Function','SelectionMode','single', 'ListString', {'1.ZDT', '2.ZDT2', '3.ZDT3'});

如果当量（答案，1）；ObjectiveFunction=@(x) ZDT(x); funcname='ZDT';

elseif eq(ANSWER,2); 目标函数=@(x) ZDT2(x); funcname='ZDT2';

elseif eq(ANSWER,3); 目标函数=@(x) ZDT3(x); funcname='ZDT3';

别的; disp('终止'); 返回

结尾

问题大小=[1 10]; % 决策变量大小

下界=0；% 决策变量下限

上界=1；% 决策变量上限

%% 蜉蝣参数

methname='蜉蝣算法';

最大值=100；% 最大迭代次数

nPop=20；nPopf=20；% 人口规模（男性和女性）

n帕累托=50；% 存储库大小

g=0.8；% 惯性重量

gdamp=1；% 惯性重量阻尼比

a1=1.0；% 个人学习系数

a2=1.5；a3=1.5；% 全球学习系数

贝塔=2；% 视距系数

舞蹈=0.77；% 突变系数

dance_damp=0.99; % 突变系数阻尼比

fl=0.77；% 随机飞行

fl_damp=0.99；

% 交配参数

n交叉=20；% Parnets 数量（后代）

nMutation=round(0.5*nPop); % 突变体数量

亩=0.02；% 突变率

% 速度限制

VelMax=1*(上界-下界)*5；VelMin=-VelMax；

%% 初始化

%运行初始

empty_mayfly.Position=[];

empty_mayfly.Velocity=[];

empty_mayfly.Cost=[];

empty_mayfly.Best.Position=[];

empty_mayfly.Best.Cost=[];

empty_mayfly.Rank=[];

empty_mayfly.DominationSet=[];

empty_mayfly.DownedCount=[];

empty_mayfly.CrowdingDistance=[];

蜉蝣=repmat(empty_mayfly,nPop,1);

蜉蝣f=repmat(empty_mayfly,nPopf,1);

对于 i=1:nPop

% 初始化男性位置

蜉蝣(i).Position=unifrnd(LowerBound,UpperBound,ProblemSize);

% 初始化速度

蜉蝣(i).Velocity=zeros(ProblemSize);

％评估

蜉蝣(i).Cost=ObjectiveFunction(蜉蝣(i).Position);

% 更新个人最好成绩

蜉蝣(i).Best.Position=蜉蝣(i).Position;

蜉蝣(i).Best.Cost=蜉蝣(i).Cost;

% 初始化女性位置

如果 i<=nPopf

Mayflyf(i).Position=unifrnd(LowerBound,UpperBound,ProblemSize);

蜉蝣f(i).Velocity=zeros(ProblemSize);

Mayflyf(i).Cost=ObjectiveFunction(Mayflyf(i).Position);

蜉蝣f(i).Best.Position=蜉蝣f(i).Position;

蜉蝣f(i).Best.Cost=蜉蝣f(i).Cost;

结尾

% 合并

帕累托=[蜉蝣;蜉蝣];

% 非支配排序

[帕累托，F]=帕累托排序（帕累托）；

% 计算拥挤距离

帕累托=计算CD（帕累托，F）；

% 排序人口

帕累托=排序解决方案（帕累托）；

帕累托=帕累托(F{1});

% 截断

如果数字（帕累托）>n帕累托

帕累托=帕累托(1:n帕累托);

结尾

%% 蜉蝣主循环

对于它=1：MaxIt

对于 i=1:nPop

领导者=帕累托（兰迪（大小（帕累托，2）））；

% 更新女性

如果 i<=nPopf

如果支配（蜉蝣（i），蜉蝣f（i））

rmf=norm(蜉蝣(i).Position-蜉蝣f(i).Position);

蜉蝣f(i).Velocity = g*Mayflyf(i).Velocity ...

+a3*exp(-beta*rmf^2).*(Mayfly(i).Position-Mayflyf(i).Position);

别的

e=unifrnd(-1,+1,ProblemSize);

蜉蝣f(i).Velocity = g*Mayflyf(i).Velocity+fl*(e);

结尾

% 应用速度限制

蜉蝣f(i).Velocity = max(蜉蝣f(i).Velocity,VelMin);

蜉蝣f(i).Velocity = min(Mayflyf(i).Velocity,VelMax);

% 更新位置

蜉蝣f(i).Position = Mayflyf(i).Position + Mayflyf(i).Velocity；

% 速度镜像效果

IsOutside=(Mayflyf(i).Position<LowerBound | Mayflyf(i).Position>UpperBound);

蜉蝣f(i).Velocity(IsOutside)=-Mayflyf(i).Velocity(IsOutside);

% 应用头寸限制

蜉蝣f(i).Position = max(蜉蝣f(i).Position,LowerBound);

蜉蝣f(i).Position = min(蜉蝣f(i).Position,UpperBound);

％评估

Mayflyf(i).Cost=ObjectiveFunction(Mayflyf(i).Position);

蜉蝣f(i).Best.Position=蜉蝣f(i).Position;

蜉蝣f(i).Best.Cost=蜉蝣f(i).Cost;

结尾

% 更新男性

% 更新速度

如果支配（领导者，蜉蝣（i））

rpbest=norm(蜉蝣(i).Best.Position-蜉蝣(i).Position);

rgbest=norm(leader.Position-Mayfly(i).Position);

蜉蝣(i).Velocity = g*Mayfly(i).Velocity ...

+a1*exp(-beta*rpbest^2).*(Mayfly(i).Best.Position-Mayfly(i).Position) ...

+a2*exp(-beta*rgbest^2).*(leader.Position-Mayfly(i).Position);

别的

e=unifrnd(-1,+1,ProblemSize);

蜉蝣(i).Velocity = g*Mayfly(i).Velocity+dance*(e);

结尾

% 应用速度限制

蜉蝣(i).Velocity = max(蜉蝣(i).Velocity,VelMin);

蜉蝣(i).Velocity = min(蜉蝣(i).Velocity,VelMax);

% 更新位置

蜉蝣(i).Position =蜉蝣(i).Position +蜉蝣(i).Velocity；

% 速度镜像效果

IsOutside=(Mayfly(i).Position<LowerBound | Mayfly(i).Position>UpperBound);

蜉蝣(i).Velocity(IsOutside)=-蜉蝣(i).Velocity(IsOutside);

% 应用头寸限制

蜉蝣(i).Position = max(蜉蝣(i).Position,LowerBound);

蜉蝣(i).Position = min(蜉蝣(i).Position,UpperBound);

％评估

蜉蝣(i).Cost=ObjectiveFunction(蜉蝣(i).Position);

% 更新个人最好成绩

如果占主导地位（蜉蝣（i），蜉蝣（i）.Best）

蜉蝣(i).Best.Position=蜉蝣(i).Position;

蜉蝣(i).Best.Cost=蜉蝣(i).Cost;

elseif 占优(蜉蝣(i).Best,蜉蝣(i))

％没做什么

别的

如果兰德<0.5

蜉蝣(i).Best.Position=蜉蝣(i).Position;

蜉蝣(i).Best.Cost=蜉蝣(i).Cost;

结尾

% 伴侣

popc=repmat(empty_mayfly,nCrossover/2,2);

对于 k=1:nCrossover/2

% 选择父母

i1=兰迪（数字（帕累托））；

i2=兰迪（数字（帕累托））；

%p1=蜉蝣(i1).Best;

%p2=蜉蝣f(i2).Best;

% 应用交叉

[popc(k,1).Position, popc(k,2).Position]=Crossover(Pareto(i1).Position,Pareto(i2).Position);

％评估

popc(k,1).Position = max(popc(k,1).Position, LowerBound);

popc(k,1).Position = min(popc(k,1).Position, UpperBound);

popc(k,1).Cost=ObjectiveFunction(popc(k,1).Position);

％评估

popc(k,2).Position = max(popc(k,2).Position, LowerBound);

popc(k,2).Position = min(popc(k,2).Position, UpperBound);

popc(k,2).Cost=ObjectiveFunction(popc(k,2).Position);

popc(k,1).Best.Position = popc(k,1).Position;

popc(k,1).Best.Cost = popc(k,1).Cost;

popc(k,1).Velocity= zeros(ProblemSize);

popc(k,2).Best.Position = popc(k,2).Position;

popc(k,2).Best.Cost = popc(k,2).Cost;

popc(k,2).Velocity= zeros(ProblemSize);

end

% break

popc=popc(:);

% Mutation

popm=repmat(empty_mayfly,nMutation,1);

for k=1:nMutation

i=randi(numel(Pareto));

popm(k)=Pareto(i);

popm(k).Position=Mutate(popm(k).Position,mu,LowerBound,UpperBound);

% Evaluation

popm(k).Position = max(popm(k).Position, LowerBound);

popm(k).Position = min(popm(k).Position, UpperBound);

popm(k).Cost=ObjectiveFunction(popm(k).Position);

end

% Create Merged Population

popc=[popc

popm]; %#ok

split=round((nCrossover/2+nMutation)/2);

males=popc(1:split);

Mayfly=[Mayfly

males]; %#ok

males=popc(split+1:nCrossover/2+nMutation);

Mayflyf=[Mayflyf

males]; %#ok

% SHORT

% Non-Dominated Sorting

[Mayfly, F]=ParetoSorting(Mayfly);

Mayfly=CalcCD(Mayfly,F);

[Mayfly, F]=SortSolutions(Mayfly);

[Mayflyf, F]=ParetoSorting(Mayflyf);

Mayflyf=CalcCD(Mayflyf,F);

[Mayflyf, F]=SortSolutions(Mayflyf);

Mayfly=Mayfly(1:nPop);

Mayflyf=Mayflyf(1:nPopf);

Pareto=[Pareto

Mayfly

Mayflyf]; %#ok

all=Pareto;

% Non-Dominated Sorting

[Pareto, F]=ParetoSorting(Pareto);

% Calculate Crowding Distance

Pareto=CalcCD(Pareto,F);

% Sort Population

[Pareto, F]=SortSolutions(Pareto);

% Store F1

Pareto=Pareto(F{1});

% Truncate

if numel(Pareto)>nPareto

Pareto=Pareto(1:nPareto);

end

% Show Iteration Information

disp(['迭代' num2str(it) ': 存储库中的解数 = ' num2str(numel(Pareto))]);

% 绘制 F1 成本

图1）;

PlotCosts（全部，帕累托）；

%暂停（0.01）；

g=g*gdamp;

舞蹈=舞蹈*dance_damp；

fl = fl*fl_damp;

结尾

％％结果

⛄ 运行结果

⛄ 参考文献

[1]陈伟超, and 符强. "基于倒位变异的蜉蝣优化算法." 计算机系统应用 30.8:7.

❤️ 关注我领取海量matlab电子书和数学建模资料

❤️部分理论引用网络文献，若有侵权联系博主删除