正文

多約束多目標(biāo)優(yōu)化（約束多目標(biāo)優(yōu)化太難）

發(fā)布時間：2023-04-13 15:14:21 稿源：創(chuàng)意嶺閱讀： 150

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于多約束多目標(biāo)優(yōu)化的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、求matlab計算多目標(biāo)優(yōu)化問題。
2、多目標(biāo)優(yōu)化可以用哪些方法？
3、pso的多目標(biāo)優(yōu)化
4、多目標(biāo)優(yōu)化算法有哪些?

多約束多目標(biāo)優(yōu)化（約束多目標(biāo)優(yōu)化太難）

一、求matlab計算多目標(biāo)優(yōu)化問題。

用matlab求解題主的多目標(biāo)優(yōu)化問題，可以這樣來考慮：

1、創(chuàng)建目標(biāo)函數(shù)，其內(nèi)容

w1 =0.4;w2=1-w1;

y =w1*0.78539*(x(1)^2-x(2)^2)+w2*x(1)^2;

2、創(chuàng)建約束條件函數(shù)，其內(nèi)容

c(1)=(9224400*x(1)/(x(1)^4-x(2)^4))-45;

c(2)=(13050819/(x(1)^4-x(2)^4))-1;

c(3)=216379-(x(1)^4-x(2)^4)/x(1);

c(4)=-x(1)+x(2);

ceq = [];

3、初設(shè)x0的初值，即 x0 =[80,20];

4、設(shè)定上下限值，即lb=[0,0]; ub=[170,100];

5、使用fmincon最小值最優(yōu)化函數(shù)，求出x(1)、x(2)的值。即

[x,fval] = fmincon(@(x) fmincon_fun(x),x0,[],[],[],[],lb,ub,@(x) fmincon_con(x))

6、驗證約束條件，即

disp('x2-x1<0')

disp(x(2)-x(1))

運行代碼后得到如下結(jié)果。

多約束多目標(biāo)優(yōu)化（約束多目標(biāo)優(yōu)化太難）

二、多目標(biāo)優(yōu)化可以用哪些方法？

一般有兩大類方法，一列是通過加權(quán)把多目標(biāo)算法整合為單目標(biāo)算法，得到唯一一個解，一個是nasa

方法，使用支配解集和非支配解集概念，得到多組解

三、pso的多目標(biāo)優(yōu)化

在多目標(biāo)優(yōu)化問題中，每個目標(biāo)函數(shù)可以分別獨立進(jìn)行優(yōu)化，然后為每個目標(biāo)找到最優(yōu)值。但是，很少能找到對所有目標(biāo)都是最優(yōu)的完美解，因為目標(biāo)之間經(jīng)常是互相沖突的，只能找到Pareto最優(yōu)解。

PSO算法中的信息共享機制與其他基于種群的優(yōu)化工具有很大的不同。在遺傳算法（GA）中，染色體通過交叉互相交換信息，是一種雙向信息共享機制。但是在PSO算法中，只有g(shù)Best（或nBest）給其他微粒提供信息，是一種單向信息共享機制。由于點吸引特性，傳統(tǒng)的PSO算法不能同時定位構(gòu)成Pareto前鋒的多個最優(yōu)點。雖然通過對所有目標(biāo)函數(shù)賦予不同的權(quán)重將其組合起來并進(jìn)行多次運行，可以獲得多個最優(yōu)解，但是還是希望有方法能夠一次同時找到一組Pareto最優(yōu)解。

在PSO算法中，一個微粒是一個獨立的智能體，基于其自身和同伴的經(jīng)驗來搜索問題空間。前者為微粒更新公式中的認(rèn)知部分，后者為社會部分，這二者在引導(dǎo)微粒的搜索方面都有關(guān)鍵的作用。因此，選擇適當(dāng)?shù)纳鐣驼J(rèn)知引導(dǎo)者（gBest和pBest）就是MO-PSO算法的關(guān)鍵點。認(rèn)知引導(dǎo)者的選擇和傳統(tǒng)PSO算法應(yīng)遵循相同的規(guī)則，唯一的區(qū)別在于引導(dǎo)者應(yīng)按照Pareto支配性來確定。社會引導(dǎo)者的選擇包括兩個步驟。第一步是建立一個從中選取引導(dǎo)者的候選池。在傳統(tǒng)PSO算法中，引導(dǎo)者從鄰居的pBest之中選取。而在MO-PSO算法中更常用的方法是使用一個外部池來存儲更多的Pareto最優(yōu)解。第二步就是選擇引導(dǎo)者。gBest的選擇應(yīng)滿足如下兩個標(biāo)準(zhǔn)：首先，它應(yīng)該能為微粒提供有效的引導(dǎo)來獲得更好的收斂速度；第二，它還需要沿Pareo前鋒來提供平衡的搜索，以維持種群的多樣性。文獻(xiàn)中通常使用兩種典型的方法：（1）輪盤選擇模式，該方式按照某種標(biāo)準(zhǔn)進(jìn)行隨機選擇，其目的是維持種群的多樣性；（2）數(shù)量標(biāo)準(zhǔn)：按照某種不涉及隨機選擇的過程來確定社會引導(dǎo)者。

Moore最早研究了PSO算法在多目標(biāo)優(yōu)化中的應(yīng)用，強調(diào)了個體和群體搜索二者的重要性，但是沒有采用任何維持多樣性的方法。Coello在非劣最優(yōu)概念的基礎(chǔ)上應(yīng)用了一個外部“容器”來記錄已找到的非支配向量，并用這些解來指導(dǎo)其它微粒的飛行。Fieldsend采用一種稱為支配樹的數(shù)據(jù)結(jié)構(gòu)來對最優(yōu)微粒進(jìn)行排序。Parsopoulos應(yīng)用了權(quán)重聚合的方法。Hu應(yīng)用了動態(tài)鄰域，并在此基礎(chǔ)上利用擴展記憶，按詞典順序依次優(yōu)化各個目標(biāo)。Ray使用聚集機制來維持多樣性，并用一個多水平篩來處理約束。Lu使用了動態(tài)種群策略。Bartz-Beielstein采用歸檔技術(shù)來提高算法性能。Li在PSO算法中采用NSGA-II算法中的主要機制，在局部最優(yōu)微粒及其后代微粒之間確定局部最優(yōu)微粒；并此基礎(chǔ)上又提出一種新的算法，在適應(yīng)值函數(shù)中使用最大最小策略來確定Pareto支配性。張利彪使用多個目標(biāo)函數(shù)下各最優(yōu)位置的均值來指導(dǎo)微粒飛行。Pulido使用多個子種群并采用聚類技術(shù)來求解多目標(biāo)規(guī)劃問題。Mahfouf采用加權(quán)聚合方法來計算微粒的適應(yīng)值，并據(jù)此確定引導(dǎo)微粒的搜索。Salazar-Lechuga使用適應(yīng)值共享技術(shù)來引導(dǎo)微粒的搜索。Gong提出微粒角度的概念，并使用最小微粒角度和微粒密度來確定局部最優(yōu)和全局最優(yōu)微粒。基于AER模型，Zhang提出一種新的智能PSO模型，來將種群驅(qū)向Pareto最優(yōu)解集。Ho提出一種新的適應(yīng)值分配機制，并使用壽命（Age）變量來保存和選擇最優(yōu)歷史記錄。Huang將CLPSO算法應(yīng)用到多目標(biāo)規(guī)劃中。Ho提出另一種基于Pareto的與尺度無關(guān)的適應(yīng)值函數(shù)，并使用一種基于正交試驗設(shè)計的智能運動機制（IMM）來確定微粒的下一步運動。Branke系統(tǒng)研究了多種個體最優(yōu)微粒的選擇方法對MOPSO算法性能的影響。張勇考慮儲備集更新策略在多目標(biāo)PSO算法中的關(guān)鍵作用，提出一種兩階段儲備集更新策略。

原萍提出一種分布式PSO算法—分割域多目標(biāo)PSO算法（DRMPSO），并將其應(yīng)用到基站優(yōu)化問題。向量評價PSO算法（VEPSO）是一種受向量評價遺傳算法（VEGA）的啟發(fā)提出的一種算法，在VEPSO算法中，每個種群僅使用多個目標(biāo)函數(shù)之一來進(jìn)行評價，同時各種群之間互相交互經(jīng)驗。將每個種群分配到一臺網(wǎng)絡(luò)PC上，即可直接使VEPSO算法并行化，以加速收斂。Vlachogiannis應(yīng)用并行VEPSO算法來確定發(fā)電機對輸電系統(tǒng)的貢獻(xiàn)。熊盛武利用PSO算法的信息傳遞機制，在PSO算法中引入多目標(biāo)演化算法常用的歸檔技術(shù)，并采用環(huán)境選擇和配對選擇策略，使得整個群體在保持適當(dāng)?shù)倪x擇壓力的情況下收斂于Pareto最優(yōu)解集。

由于適應(yīng)值的計算非常消耗計算資源，為了減少計算量，需要減少適應(yīng)值評價的次數(shù)。Reyes-Sierra采用適應(yīng)值繼承和估計技術(shù)來實現(xiàn)該目標(biāo)，并比較了十五種適應(yīng)值繼承技術(shù)和四種估計技術(shù)應(yīng)用于多目標(biāo)PSO算法時的效果。

保持MOPSO中的多樣性的方法主要有兩種：sigma方法和ε-支配方法。Villalobos-Arias在目標(biāo)函數(shù)空間中引入條塊劃分來形成聚類，從而保持多樣性。

多約束多目標(biāo)優(yōu)化（約束多目標(biāo)優(yōu)化太難）

四、多目標(biāo)優(yōu)化算法有哪些?

主要內(nèi)容包括：多目標(biāo)進(jìn)化算法、多目標(biāo)粒子群算法、其他多目標(biāo)智能優(yōu)化算法、人工神經(jīng)網(wǎng)絡(luò)優(yōu)化、交通與物流系統(tǒng)優(yōu)化、多目標(biāo)生產(chǎn)調(diào)度和電力系統(tǒng)優(yōu)化及其他。

以上就是關(guān)于多約束多目標(biāo)優(yōu)化相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。