粒子群算法的Pareto多目标函数优化,多目标粒子群优化算法原理,matlab源码

MOPSO源代码，双目标，无约束，相对简单，适合初学者学习用

完整代码，可直接运行

输电网规划是一个离散型、非线性、多目标的混合整数规划问题，难于求解。提出一种多目标粒子群优化算法用来求解输电网规划问题。在输电网规划模型中考虑了建设投资费用、运行费用及网损费用等3方面的因素。多目标粒子群优化算法基于Pareto支配关系来更新粒子的个体极值，并采用了精英归档技术，粒子的全局极值由档案库中的非劣解提供。使用Matlab7，1对Garver-6节点系统进行仿真计算，结果表明：与传统的单目标遗传算法相比，多目标粒子群优化算法获得的规划方案总费用更低，该方法可以提高输电网规划的经济性水平。

设计了一种新的求解均匀分布的Pareto最优解集的多目标进化算法(MOEA),其主要的特点是使用了一种新的个体适应值的计算方式,方法是通过群体中某一个体与群体的最优非劣解集的最小距离来刻画个体的适应值的。算法还结合了遗传算法中的精英策略以及NSGA-Ⅱ中的拥挤距离[12],提高了非劣解向Pareto最优前沿收敛的速度,并且保证了Pareto最优解集的多样性。仿真结果表明,算法不仅能够获得分布良好的Pareto最优前沿,而且能够极大地简化计算,减少了算法的运行时间,其计算复杂度为ο(mn2)(m表示的是目标函数的个数,n是种群的规模)。

非常好的NSGAII多目标遗传算法，仔细理解算法过程，便可掌握编写。遗传算法早在上世界50年代就已经被人提出并进行了阐发。它的核心就是遗传三算子，也就是选择，交叉和变异。通过随机选择的父代，对子代基因进行随机交叉和随机变异，从而形成新的种群。在种群中利用适应度函数对种群个体进行排序，选择出适应度好的个体进行下一代迭代

提出一种基于空间划分树的多目标粒子群优化算法,该算法采用网格拥挤距离与网格密度相结合的策略选取全局极值,能加速算法收敛,保持种群多样性,在提高全局极值选取准确度的同时使最终解保持了较好的分布性.

A structure MATLAB implementation of MOPSO for Evolutionary Multi-Objective Optimization A structured MATLAB implementation of MOEA/D for Evolutionary Multi-Objective Optimization

Multi-Objective Particle Swarm Optimization (MOPSO) is proposed by Coello Coello et al., in 2004. It is a multi-objective version of PSO which incorporates the Pareto Envelope and grid making technique, similar to Pareto Envelope-based Selection Algorithm to handle the multi-objective optimization p

基于均匀设计的聚类多目标粒子群优化算法.pdf