matlab布谷鸟.zip_matlab布谷鸟_wholebh2_优化目标_多目标matlab

共14个文件

m：14个

版权申诉

5星 · 超过95%的资源 146 浏览量 2022-07-14 19:35:26 上传评论收藏 18KB ZIP 举报

在MATLAB环境中，多目标优化是一种寻找同时最优的多个目标函数的方法。在工程设计、经济管理、数据分析等领域，我们经常需要平衡多个相互冲突的目标。"matlab 布谷鸟.zip"这个压缩包中包含的代码是利用布谷鸟算法（Cuckoo Search Algorithm）解决多目标优化问题的示例。布谷鸟算法是一种基于自然界中布谷鸟繁殖行为的全局优化算法，由Yazdani和Noor在2009年提出。该算法模仿了布谷鸟将蛋产在其他鸟类巢穴中的策略，通过随机搜索和寄生行为来寻找问题的最优解。在多目标优化问题中，布谷鸟算法可以用来找到帕累托最优解集，这是一个解决方案集合，在不损害任何目标的情况下，无法进一步改进任何单一目标。在"matlab 布谷鸟_wholebh2_优化目标_多目标 matlab_多目标优化"中，“wholebh2”可能是指整个优化过程的第二阶段或者一种特定的优化策略。这个描述表明代码可能分步骤进行，旨在解决包含成本、时间和质量这三个目标的优化问题。在实际应用中，比如项目管理或产品设计，降低成本、缩短时间和提高质量通常是相互矛盾的目标，需要通过多目标优化来找到一个平衡点。多目标优化在MATLAB中通常使用全局优化工具箱（Global Optimization Toolbox）实现，该工具箱包含了多种优化算法，如遗传算法、粒子群优化等，以及专门处理多目标问题的函数，例如`gamultiobj`。布谷鸟算法虽然不是MATLAB自带的算法，但可以通过用户自定义函数（M-File）实现，从而应用于多目标优化。在压缩包内的“matlab 布谷鸟”文件可能包含以下内容： 1. `cuckoo_search.m`：布谷鸟算法的核心实现，包括种群初始化、布谷鸟的寄生行为、适应度函数计算等步骤。 2. `multi_objective_function.m`：定义多目标优化问题的成本、时间和质量函数。 3. `pareto_front.m`：计算和绘制帕累托前沿的函数。 4. `main.m`：主程序，调用以上函数并设置参数，执行多目标优化过程。在使用这些代码时，用户需要根据自己的具体问题调整`multi_objective_function.m`中的目标函数，并可能需要调整布谷鸟算法的参数，如种群大小、迭代次数等，以适应不同问题的需求。运行`main.m`后，代码会输出帕累托最优解集，帮助决策者在多个目标之间做出权衡。这个MATLAB压缩包提供了一种利用布谷鸟算法解决多目标优化问题的方法，特别是针对成本、时间和质量这些常见目标的优化。通过理解和运用这些代码，用户可以在实际问题中寻找满足多种需求的最佳方案。

资源详情

资源评论

资源推荐

收起资源包目录

matlab 布谷鸟.zip （14个子文件）

matlab 布谷鸟

MO_cuckoo.m 12KB

cuckoo_search.m 3KB

MO_cuckoo1.m 13KB

MO_cuckoo2.m 12KB

pareto_mo_cuckoo_search.m 3KB

pareto_mo_cuckoo_search111.m 3KB

statisc.m 97B

empty_nests.m 331B

get_cuckoos_levy.m 693B

simplebounds.m 469B

qualityc.m 118B

sup.m 248B

timec.m 91B

costc.m 102B

close all; clear; clc; format long; n=20;%%%初始化鸟窝数量 pa=0.25;%%%外来鸟蛋被巢主鸟发现的概率5%%%巢主鸟发现寄生卵的概率 %%%%最大迭代次数 N_iter=300; REP=[];%精英池初始化 RC=[]; R1=[]; %%定义全局变量nd global nd; nd=15;%%%搜索维度 Lb=-5*ones(1,nd);%下限 Ub=5*ones(1,nd);%上限 % %%%基于sobol序列随机初始化解 for xh=1:20 xh p = sobolset(nd,'Skip',1e2); p = scramble(p,'MatousekAffineOwen'); SOBOL = net(p,n); for i=1:n for j=1:nd nest(i,j)=Lb(1,j)+(Ub(1,j)-Lb(1,j))*SOBOL(i,j); end end maxFun=4; %目标函数的个数 iterations=1; %%%计算初试目标函数值 % disp('开始计算初始化目标函数......') for i=1:n cstatisc(1,i)=statisc(nest(i,:)); ccost(1,i)=costc(nest(i,:)); ctimec(1,i)=timec(nest(i,:)); cquality(1,i)=qualityc(nest(i,:)); end % disp('始化目标函数计算结束......') %%确定粒子非劣解，把每个粒子当作非劣解 % disp('生成ST矩阵……') %用于存放粒子信息 for i=1:n ST(i,1:nd)=nest(i,:); end ST(:,nd+1)=cstatisc(1,:); ST(:,nd+2)=ccost(1,:); ST(:,nd+3)=ctimec(1,:); ST(:,nd+4)=cquality(1,:); ST(:,nd+5)=0; %%STS矩阵存放粒子信息（包括四个目标函数值） STS=ST; % %%%pop为萤火虫粒子 % XINXI=ST; % popo=ST; % kk=1; % %%%筛选可理解度,使可理解度为0.7857 % while(kk<=size(STS,1)) % if (STS(kk,nd+2)>3||STS(kk,nd+3)>3) % STS(kk,:)=[]; % kk=kk-1; % end % kk=kk+1; % end %%-------------对外部档案集初始化--------%% %disp('外部档案集初始化……') for i=1:size(STS,1) if (isempty(REP)) REP(1,:)=ST(i,:); RC=[RC;ST(i,:)]; else for k=1:size(REP,1) %% if 条件判断第i个布谷鸟STS(i,：)支配精英池REP中的第k条布谷鸟，删除第k条布谷鸟 if (((STS(i,nd+1)>=REP(k,nd+1))&&(STS(i,nd+2)<=REP(k,nd+2))&&(STS(i,nd+3)<=REP(k,nd+3))&&(STS(i,nd+4)>=REP(k,nd+4)))&&((STS(i,nd+1)>REP(k,nd+1))||(STS(i,nd+2)<REP(k,nd+2))||(STS(i,nd+3)<REP(k,nd+3))||(STS(i,nd+4)>REP(k,nd+4)))) REP(k,1)=9999;%%%支配标志之一，表示第i个布谷鸟信息STS(i,：)支配REP（k,:），要删除REP（k,:），保存STS(i,:) insert_flag=1; %%elseif条件用来判断第i个布谷鸟不支配精英池里面的第k条规则，此时此条规则不需要从精英池里面移除 elseif (((STS(i,nd+1)<=REP(k,nd+1))&&(STS(i,nd+2)>=REP(k,nd+2))&&(STS(i,nd+3)>=REP(k,nd+3))&&(STS(i,nd+4)<=REP(k,nd+4)))&&((STS(i,nd+1)<REP(k,nd+1))||(STS(i,nd+2)>REP(k,nd+2))||(STS(i,nd+3)>REP(k,nd+3))||(STS(i,nd+4)<REP(k,nd+4)))) insert_flag=0;%%%第i个布谷鸟不支配REP(k,:),这个规则不删除 break; %%%判断STS(i,:)与REP(k,:)是否重复 elseif((((STS(i,nd+1)==REP(k,nd+1))&&(STS(i,nd+2)==REP(k,nd+2))&&(STS(i,nd+3)==REP(k,nd+3))&&(STS(i,nd+4)==REP(k,nd+4))))) %%%判断STS(i,1:nd)与REP(k,1:nd)前1：nd维元素是否相等，如果相等，即STS(i,1:nd)与REP(k,1:nd)重复 %%%%不需要将STS(i,1:nd)加入REP中否则加入精英池 if ((STS(i,nd+1)==0)||(STS(i,nd+2)==0)||(STS(i,nd+3)==0)||(STS(i,nd+4)==0)) insert_flag=0; elseif (isempty(setdiff(STS(i,1:nd),REP(k,1:nd)))) insert_flag=0;%%%重复，不将STS(i,:)加入精英池REP else insert_flag=0;%%%如果不重复，加入精英池REP//本应该是取值insert_flag=1 end else %%%这一段代码判断的是STS与REP互不支配情况，当目标函数有一个为0时，此条规则不需要加入精英池里面，否则加入 if ((STS(i,nd+1)~=0)&&(STS(i,nd+2)~=0)&&(STS(i,nd+3)~=0)&&(STS(i,nd+4)~=0)) insert_flag=1; elseif((STS(i,nd+1)==0)||(STS(i,nd+2)==0)||(STS(i,nd+3)==0)||(STS(i,nd+4)==0)) insert_flag=0; end end end k1=1; %%% while(k1<=size(REP,1)) if (REP(k1,1)==9999) REP(k1,:)=[]; k1=k1-1; end k1=k1+1; end if (insert_flag==1) REP((size(REP,1)+1),:)=STS(i,:); RC=[RC;STS(i,:)];%%%曾经放入精英池中的布谷鸟信息 end end end disp('开始正式进入主循环——') iterations=2; tic while(iterations<N_iter) gbestpool=[]; if (size(REP,1)>2) for f=1:maxFun %排序 for i=1:(size(REP,1)-1) for j=(i+1):(size(REP,1)) if (REP(i,nd+f)<REP(j,nd+f)) temp=REP(i,:); REP(i,:)=REP(j,:); REP(j,:)=temp; end end end %排序结束 REP(1,nd+5)=10; REP(size(REP,1),nd+5)=10; %寻找最大最小目标函数值 fmax=0; for i=1:size(REP,1) if (REP(i,nd+f)>fmax) fmax=REP(i,nd+f); end end fmin=10; for i=1:size(REP,1) if (REP(i,nd+f)<fmin) fmin=REP(i,nd+f); end end %寻找最大最小目标函数值结束 %拥挤距离 for i=2:(size(REP,1)-1) REP(i,nd+5)= REP(i,nd+5)+abs((REP(i+1,nd+f)-REP(i-1,nd+f))/(fmax-fmin)); end end else REP(1,nd+5)=10; end %计算拥挤距离结束 %按拥挤距离排序 for i=1:(size(REP,1)-1) for j=(i+1):size(REP,1) if (REP(i,nd+5)<REP(j,nd+5)) temp=REP(i,:); REP(i,:)=REP(j,:); REP(j,:)=temp; end end end %按拥挤距离排序结束 %选择前10%的粒子存入gbestpool for i=1:ceil(size(REP,1)*0.1) gbestpool=[gbestpool;REP(i,:)]; end %选择前10%的粒子存入gbestpool结束 %%随机选择一个作为最优解 gb=gbestpool(fix(1+(size(gbestpool,1)-1)*rand),:); best=gb(1,1:nd); %%布谷鸟按照levy进行飞行，产生新的布谷鸟 new_nest=get_cuckoos_levy(nest,best,Lb,Ub); %%%发现并随机选择 for i=1:n fitness(1,i)=statisc(new_nest(i,:)); fitness(2,i)=costc(new_nest(i,:)); fitness(3,i)=timec(new_nest(i,:)); fitness(4,i)=qualityc(new_nest(i,:)); end %%第t+1代解与第t代解比较，如果 for i=1:n if fitness(1,i)>=cstatisc(iterations-1,i)&&fitness(2,i)<=ccost(iterations-1,i)&&fitness(3,i)<= ctimec(iterations-1,i)&& fitness(4,i)>=cquality(iterations-1,i) best_new_nest(i,:)=new_nest(i,:); else best_new_nest(i,:)=nest(i,:); end end best_new_nest=empty_nests(best_new_nest,Lb,Ub,pa); %%评价改解 %%%更新目标函数值 %更新目标函数......') for i=1:n cstatisc(iterations,i)=statisc(best_new_nest(i,:)); ccost(iterations,i)=costc(best_new_nest(i,:)); ctimec(iterations,i)=timec(best_new_nest(i,:)); cquality(iterations,i)=qualityc(best_new_nest(i,:)); end %目标函数更新结束......') %更新ST信息矩阵 for i=1:n ST(i,1:nd)=best_new_nest(i,:); end ST(:,nd+1)=cstatisc(iterations,:); ST(:,nd+2)=ccost(iterations,:); ST(:,nd+3)=ctimec(iterations,:); ST(:,nd+4)=cquality(iterations,:); ST(:,nd+5)=0; %更新ST信息矩阵结束 STS=ST; %更新外部档案 for i=1:size(STS,1) if (isempty(REP)) REP(1,:)=ST(i,:); RC=[RC;ST(i,:)]; else for k=1:size(REP,1) %% if 条件判断第i个布谷鸟STS(i,：)支配精英池REP中的第k条布谷鸟，删除第k条布谷鸟 if (((STS(i,nd+1)>=REP(k,nd+1))&&(STS(i,nd+2)<=REP(k,nd+2))&&(STS(i,nd+3)<=REP(k,nd+3))&&(STS(i,nd+4)>=REP(k,nd+4)))&&((STS(i,nd+1)>REP(k,nd+1))||(STS(i,nd+2)<REP(k,nd+2))||(STS(i,nd+3)<REP(k,nd+3))||(STS(i,nd+4)>REP(k,nd+4)))) REP(k,1)=9999;%%%支配标志之一，表示第i个布谷鸟信息STS(i,：)支配REP（k,:），要删除REP（k,: