多目标优化算法：基于非支配排序的人工兔优化算法（Non-Dominated Sorting Artificial Rabbits Optimization ，NSARO）

2024-05-08 20:48:04

一、人工兔优化算法算法简介

人工兔优化算法（Artificial Rabbits Optimization ，ARO）由Liying Wang等人于2022年提出，该算法模拟了兔子的生存策略，包括绕道觅食和随机躲藏，并通过能量收缩在两种策略之间转换。绕道觅食策略迫使兔子吃其他兔子巢附近的草，这可以防止它的巢穴被捕食者发现。随机隐藏策略使兔子能够从自己的洞穴中随机选择一个洞穴进行隐藏，这可以减少被敌人捕获的可能性。此外，兔子的能量收缩将导致从绕道觅食策略过渡到随机隐藏策略。

ARO算法描述：

ARO算法流程：

参考文献： Liying Wang, Qingjiao Cao, Zhenxing Zhang, et al. Artificial rabbits optimization: A new bio-inspired meta-heuristic algorithm for solving engineering optimization problems[J]. Engineering Applications of Artificial Intelligence, 2022, 114: 105082.

二、基于非支配排序的人工兔优化算法

基于非支配排序的人工兔优化算法（Non-Dominated Sorting Artificial Rabbits Optimization ，NSARO）由人工兔优化算法的优良策略与非支配排序策略融合而成。为了验证所提的NSARO的有效性，将其在46个多目标测试函数（ZDT1、ZDT2、ZDT3、ZDT4、ZDT6、DTLZ1-DTLZ7、WFG1-WFG10、UF1-UF10、CF1-CF10、Kursawe、Poloni、Viennet2、Viennet3）以及1个工程应用（盘式制动器设计）上实验，并采用IGD、GD、HV、SP进行指标评价。部分结果如下：

close all;
clear ;
clc;
%%
% TestProblem测试问题说明：
%一共46个多目标测试函数，详情如下：
%1-5:ZDT1、ZDT2、ZDT3、ZDT4、ZDT6
%6-12：DZDT1-DZDT7
%13-22：wfg1-wfg10
%23-32：uf1-uf10
%33-42：cf1-cf10
%43-46:Kursawe、Poloni、Viennet2、Viennet3
%47 盘式制动器设计
%%
TestProblem=1;%1-47
MultiObj = GetFunInfo(TestProblem);
MultiObjFnc=MultiObj.name;%问题名
% Parameters
params.Np = 100;        % Population size
params.Nr = 200;        % Repository size
params.maxgen =200;    % Maximum number of generations
numOfObj=MultiObj.numOfObj;%目标函数个数
D=MultiObj.nVar;%维度
f = NSARO(params,MultiObj);
X=f(:,1:D);%PS
Obtained_Pareto=f(:,D+1:D+numOfObj);%PF
if(isfield(MultiObj,'truePF'))%判断是否有参考的PF
True_Pareto=MultiObj.truePF;
%%  Metric Value
% ResultData的值分别是IGD、GD、HV、Spacing  (HV越大越好，其他指标越小越好)
ResultData=[IGD(Obtained_Pareto,True_Pareto),GD(Obtained_Pareto,True_Pareto),HV(Obtained_Pareto,True_Pareto),Spacing(Obtained_Pareto)];
else%计算每个算法的Spacing，Spacing越小说明解集分布越均匀ResultData=Spacing(Obtained_Pareto);%计算的Spacing
end
%%
disp('Repository fitness values are stored in Obtained_Pareto');
disp('Repository particles positions are store in X');

ZDT1：

ZDT2：

ZDT3：

ZDT4：

ZDT6：

DTLZ6：

Viennet3

盘式制动器设计：

三、完整代码请添加博客下方博主微信

多目标优化算法：基于非支配排序的人工兔优化算法（Non-Dominated Sorting Artificial Rabbits Optimization ，NSARO）相关推荐

多目标优化算法：基于非支配排序的瞪羚优化算法（Non-Dominated Sorting Gazelle Optimization Algorithm，NSGOA）
瞪羚优化算法(Gazelle Optimization Algorithm,GOA)由Agushaka等人于2022年提出,该算法模拟了瞪羚逃避捕食者的行为,思路新颖,性能高效. 瞪羚的身高60-11 ...
多目标优化算法：基于非支配排序的蜣螂优化算法（Non-Dominated Sorting Dung beetle optimizer，NSDBO）
蜣螂优化算法(Dung beetle optimizer,DBO)由Jiankai Xue和Bo Shen于2022年提出,该算法主要受蜣螂的滚球.跳舞.觅食.偷窃和繁殖行为的启发所得. 一.蜣螂优化 ...
【多目标优化】2. 非支配排序遗传算法 —（NSGA、NSGA-II)
[多目标优化]1. 多目标优化的相关基本概念 [多目标优化]2. 非支配排序遗传算法 -(NSGA.NSGA-II) [多目标优化]3. 基于分解的多目标进化算法 -(MOEAD) 1. 非支配排序遗 ...
多目标优化算法：基于非支配排序的麻雀搜索算法（Non-Dominated Sorting Sparrow Search Algorithm，NSSSA）
一.麻雀搜索算法麻雀搜索算法(SSA)的原理参考博客:麻雀搜索算法SSA 二.非支配排序麻雀搜索算法NSSSA 将非支配排序麻雀搜索算法(Non-Dominated Sorting Sparrow ...
多目标优化算法：非支配排序的鲸鱼优化算法（Non-Dominated Sorting Whale Optimization Algorithm，NSWOA）提供Matlab代码
一.非支配排序的鲸鱼优化算法非支配排序的鲸鱼优化算法(Non-Dominated Sorting Whale Optimization Algorithm,NSWOA)由Pradeep Jangir ...
【分布式能源的选址与定容】基于非支配排序多目标粒子群优化算法求解分布式能源的选址与定容附Matlab代码
✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信.
【分布式能源的选址与定容】基于非支配排序多目标遗传优化算法求解分布式能源的选址与定容（Matlab代码实现）
【优化调度】非支配排序遗传算法求解车辆充电调度优化问题【含Matlab源码 2000期】
⛄一.遗传算法简介由于国内外人民的生活方式和电动汽车主要购买人群的不同,国内外关于车辆充电调度问题研究的侧重点也不尽相同. 我国地大物博,人口众多,交通复杂.主要从以下方面研究: 1.通过经济手段或 ...
nsga2多目标优化之核心知识点（快速非支配排序、拥挤距离、精英选择策略）详解（python实现）
文章目录一.多目标优化算法简介 1.基本知识二.NSGA2算法 1.基本原理 2.快速非支配排序 2.1快速非支配排序 python实现 3.拥挤距离 3.1 拥挤距离python 实现 4.精英 ...

最新文章

热门文章