基于NSGAII的多目标遗传优化算法的matlab仿真

最新推荐文章于 2023-06-10 13:02:34 发布

原创最新推荐文章于 2023-06-10 13:02:34 发布 · 580 阅读

标签

#matlab #开发语言 #NSGAII #多目标遗传优化

MATLAB仿真案例专栏收录该内容

788 篇文章 ¥39.90 ¥99.00

订阅专栏

本文介绍了NSGA-II多目标遗传优化算法的原理，包括快速非支配排序、精英策略和拥挤度概念，强调了其在多目标优化中的优势，如计算效率提升和种群多样性的保持。还展示了MATLAB2022a的仿真效果并提供了仿真源码。

1.算法概述

2.仿真效果

3.MATLAB仿真源码

1.算法概述

在遗传算法在解决多目标优化遇到瓶颈时，许多学者花费了不少时间和精力在多目标优化的遗传算法上，Goldberg首先将Pareto最优解的概念与适应度值概念相关联，即将Pareto非支配排序分层的概念与适应度联系，排序的层次低，则其分层中个体的适应度值较高，使算法能够朝着Pareto最优前沿进化，最终输出Pareto最优解集。在提出此概念后，学者们陆续提出了一系列多目标遗传算法，如SPGA、NPGA、FFGA、NSGA等等。但是最能代表Goldberg思想的算法是基于非支配排序的遗传算法，即NSGA(Non—dominated Sorting Genetic Algorithm)。

科学家Srinivas和Deb在前人研究基础上，于1994年首先提出了非支配排序遗传算法的概念。其算法最主要的思想是将所有的个体进行分层，并且对每个个体都设置个体虚拟适应度值同一层中的每个个体虚拟适应度值相同，层级数越低，其适应度值越高，遗传到下一代的概率也就越大。为了使得到的结果沿Pareto前沿均匀分布，就需要保证非支配层中个体保持多样性，为了保持非支配层中个体多样性，Srinivas等人采用了共享函数法。

采用非支配排序的遗传算法在多目标优化中得到了广泛应用，但是，随着其使用越广泛，其算法也暴露出了一些缺陷。 首先，NSGA算法的时间复杂度高，为(O(mN^3))，m代表目标数，N表

了解本专栏