【优化求解】多目标智能算法优化求解matlab工具箱

简介

基于MATLAB的多目标优化工具。这款工具主要具有以下的几个特点：
1.完全由MATLAB开发，不需要任何其它库。
2.包括现有的90个流行的MOEAs，包括遗传算法、差分进化、粒子群优化、模因算法、分布估计算法和基于代理模型的算法。其中大多数是2010年以后在顶级期刊上发表的代表性算法。
3.用户可以显示各种图形，包括结果的pareto front，真实的pareto front等等。
4.强大友好的GUI，可以不用编辑任何代码。
5.可以直接生成Excel或者LaTex。

基本使用简介

先简介一下下载文件夹的结构：文件夹里共有六个子文件夹和一个.m文件，每一个简介如下：
1.main.m：PlatEMO的唯一接口，调用这个函数来运行平台。
2.Algorithms：用于存储所有MOEAs的源代码。
3.GUI：用于存储代码以建立PlatEMO的GUI。
4.Metrics：用于存储所有性能指标的源代码。
5.Operators：用于存储所有操作符的源代码。
6.Problems：用于存储所有MOPs的源代码。
7.Public：用于存储公共类和实用程序函数。
 

使用没有GUI的PlatEMO

用户可以使用输入参数调用接口函数main()来运行。如果没有任何参数的话，那么将运行GUI模式。main()课接受的参数如下表。注意，用户不需要分配所有参数，因为每个参数都有一个默认值。

-algorithm. 要执行的MOEA的函数。
-problem. 待解决的MOP。
-N. MOEA的种群规模。注意，它被固定在某些MOEAs(例如moea .m)中的某些特定值上，因此这些MOEAs的实际种群大小可能并不完全等于这个参数。
-M. MOP的目标数目。注意，在不可伸缩的MOPs(例如ZDT1.m)中，目标的数量是恒定的，因此这个参数对于这些MOPs是无效的。
-D. MOP决策变量的个数。注意，在某些MOP中，决策变量的数量是常量或固定到某些特定整数上的(例如：ZDT5.m)，因此决策变量的实际数量可能并不完全等于这个参数。
-evaluation. 函数评价的最大数目。
-run. 运行数。如果用户希望为相同的算法、问题、M和D参数保存多个结果，则在每次运行时修改此参数，使结果的文件名不同。
-save. 保存的种群。如果将该参数设置为0(默认值)，则会在终止后显示结果图;否则，在进化过程中获得的种群将保存在一个名为的文件中Data\algorithm\algorithm_problem_M_D_run.mat。例如：如果save为5并且evaluation是20000，评价数量为4000、8000、12000、16000、20000时得到的种群将被保存。
-outputFcn. 每次生成后调用的函数，通常不需要修改。

使用GUI的PlatEMO

用户可以通过以下命令运行PlatEMO的GUI模式：

main();

• 1

然后在GUI上可以看到两个模块，即测试模块和实验模块。测试模块用于每次在MOP上执行一个MOEA，结果将以图的形式显示。实验模块将同时在几个MOPs上执行多个MOEAs。统计结果将列在表格中。

PlatEMO测试模块界面如上图所示。各区域管制的职能如下:
Region A. 选择要执行的MOEA和MOP。
Region B.设置所选MOEA和MOP的参数。每个参数的值应该是一个标量。注意这里的公共参数N,M,D和evaluation都视为MOP的参数。如果将参数设置为空，则该参数将等于其默认值。
Region C.根据当前配置执行MOEA。
Region D.显示光标移动到的区域B中的参数的介绍。
Region E.显示优化过程中的当前种群。
Region F.放大，缩小，平移或旋转E区域的轴。
Region G.在新的标准MATLAB图中打开E区域的坐标轴，可以对坐标轴进行更多的操作，例如保存坐标轴。
Region H.选择要显示在E区域轴线上的数据，包含种群的pareto front，种群的pareto集合，MOP的真实pareto front和任何性能度量的收敛轮廓。
Region I.控制优化过程，即，开始，暂停，停止，后退和前进。
Region J.显示其中一个历史结果。
Region K.显示结果的最终种群的性能度量值。
Region L.显示执行的详细信息。
用户打开测试模块后，首先选择要在A区域执行的MOEA和MOP，并在B区域设置参数，然后按下区域C按钮执行算法。实时种群将显示在E区域的轴线上，用户可以使用I区域的按钮来控制优化过程。算法结束后，通过选择J区域的弹出菜单，可以重新显示所有的历史结果。

PlatEMO实验模块界面如上图所示。各区域管制的职能如下：
Region A. 选择要执行的MOEA和MOP。
Region B.设置所选MOEA和MOP的参数。MOPs里的每个参数的值都可以是一个向量。因此，MOEAs可以在相同的MOP上以不同的设置执行。
Region C.设置每个文件中保存的种群数量。例如，如果种群大小为5，评估的数量为20000，评价数量为4000，8000，12000，16000和20000时的种群被保存。
Region D.设置每个MOP上每个MOEA的运行次数。
Region E.设置保存实验设置的文件路径。用户还可以打开现有的配置文件来加载实验设置。所有结果都将保存在文件路径的同一文件夹中。
Region F.按顺序或并行执行实验。
Region G.显示实验的统计结果。
Region H.指定表中显示的数据类型。
Region I.将表格保存为Excel或LaTeX格式。
Region J.选择表中显示的数据，包括最终总体的任何性能度量值。
Region K.控制优化过程，即，开始，暂停，停止。
Region L.右键单击一个单元格，以显示种群的Pareto front，种群的pareto集合，或度量值的收敛轮廓。

用户打开实验模块后，首先选择在区域A中执行的MOEAs和MOPs，并在区域B中设置它们的参数，在区域C中设置保存的种群数量，在区域D中设置运行的数量。然后按下F区域的两个按钮中的一个开始实验。统计结果将显示在G区域的表格中，用户可以使用K区域的按钮来控制优化过程。实验结束后，按下I区按钮，可以将表中数据以Excel或LaTeX格式保存。
或者，用户可以通过按区域K中的按钮加载现有配置，然后开始实验。如果在E区域给定的文件夹中已经存在任何结果文件，则将加载结果文件，而不是执行算法。

完整代码或者代写添加QQ1575304183

往期回顾>>>>>>

【优化求解】混沌粒子群matlab源码

【优化求解】土狼算法matlab源码

【优化求解】基于混沌反向学习改进灰狼算法matlab源码

【优化求解】粒子群优化灰狼算法matlab源码

【优化求解】改进灰狼算法求解重油热解模型matlab源码

【多目标优化求解】多目标灰狼优化算法MOGWOmatlab源码

【多目标优化求解】基于金鹰算法（MOGEO）的多目标优化求解matlab源码

【优化求解】蜉蝣算法matlab源码

【优化求解】平衡优化器算法matlab源码

【优化求解】麻雀算法matlab源码

【优化求解】探路者优化算法matlab源码

【优化求解】改进的萤火虫算法matlab源码

【优化求解】磷虾群算法（Krill Herd Algorithm,KHA）

【优化求解】差分进化算法（Differential Evolution)matlab源码

【优化求解】冠状病毒群体免疫优化算法（CHIO）matlab源码

【优化求解】金鹰优化求解算法（GEO）matlab源码

【优化求解】基于黄金正弦算法GoldSA智能优化算法matlab源码

【优化求解】遗传优化隶属度函数matlab源码