五种多目标优化算法（MOGWO、MOJS、NSWOA、MOPSO、MOAHA）性能对比（提供MATLAB代码）

优化算法MATLAB与Python2024-02-21 20:33

一、5种多目标优化算法简介

1.1MOGWO

1.2MOJS

1.3NSWOA

1.4MOPSO

1.5MOAHA

二、5种多目标优化算法性能对比

为了测试5种算法的性能将其求解9个多目标测试函数（zdt1、zdt2 、zdt3、 zdt4、 zdt6 、Schaffer、 Kursawe 、Viennet2、 Viennet3），其中Viennet2 与Viennet3的目标为3，其余测试函数的目标为2，并采用6种评价指标（IGD、GD、HV、Coverage、Spread、Spacing）进行评价对比

2.1部分代码

复制代码

close all;
clear ;
clc;
addpath('./MOJS/')%添加算法路径
addpath('./MOGWO/')%添加算法路径
addpath('./NSWOA/')%添加算法路径
addpath('./MOPSO/')%添加算法路径
addpath('./MOAHA/')%添加算法路径
%%
% TestProblem测试问题说明：
%一共9个多目标测试函数1-9分别是： zdt1 zdt2 zdt3 zdt4 zdt6 Schaffer  Kursawe Viennet2 Viennet3
%%
TestProblem=9;%测试函数1-9
MultiObj = GetFunInfo(TestProblem);
MultiObjFnc=MultiObj.name;%问题名
% Parameters
params.Np = 100;        % Population size 种群大小
params.Nr = 200;        % Repository size 外部存档
params.maxgen=50;    % Maximum number of generations 最大迭代次数
numOfObj=MultiObj.numOfObj;%目标函数个数
%% 算法求解，分别得到paretoPOS和paretoPOF
[Xbest1,Fbest1] = MOGWO(params,MultiObj);
[Xbest2,Fbest2] = MOJS(params,MultiObj);
[Xbest3,Fbest3]  = NSWOA(params,MultiObj);
[Xbest4,Fbest4] = MOPSO(params,MultiObj);
[Xbest5,Fbest5]  = MOAHA(params,MultiObj);
FbestData(1).data=Fbest1;
FbestData(2).data=Fbest2;
FbestData(3).data=Fbest3;
FbestData(4).data=Fbest4;
FbestData(5).data=Fbest5;
%% 获取测试函数的真实pareto前沿
True_Pareto=MultiObj.truePF;
%% 计算每个算法的评价指标
% ResultData的值分别是IGD、GD、HV、Coverage、Spread、Spacing
for i=1:5
    Fbest=FbestData(i).data;
    ResultData(i,:)=[IGD(Fbest,True_Pareto),GD(Fbest,True_Pareto),HV(Fbest,True_Pareto),Coverage(Fbest,True_Pareto),Spread(Fbest,True_Pareto),Spacing(Fbest,True_Pareto)];
end


%% 画图
PlotFigure;