前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >基于拥挤距离与变异支配的多目标PSO算法

基于拥挤距离与变异支配的多目标PSO算法

作者头像
里克贝斯
发布2021-05-21 15:16:59
8510
发布2021-05-21 15:16:59
举报
文章被收录于专栏:图灵技术域图灵技术域

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Lid=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:Li+1m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Lid,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

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018-10-15,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • NSPSO算法概述与实现
  • PSO算法
  • 个体拥挤距离
  • 伪代码
  • 具体流程
    相关产品与服务
    命令行工具
    腾讯云命令行工具 TCCLI 是管理腾讯云资源的统一工具。使用腾讯云命令行工具,您可以快速调用腾讯云 API 来管理您的腾讯云资源。此外,您还可以基于腾讯云的命令行工具来做自动化和脚本处理,以更多样的方式进行组合和重用。
    领券
    问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档