多目标优化算法（MATLAB）：多目标小龙虾优化算法（Multi-Objective Crayfsh optimization algorithm，MOCOA）求解46个多目标函数及1个工程应用
一、小龙虾优化算法COA
小龙虾优化算法（Crayfsh optimization algorithm，COA）由Jia Heming 等人于2023年提出，该算法模拟小龙虾的避暑、竞争和觅食行为，具有搜索速度快，搜索能力强，能够有效平衡全局搜索和局部搜索的能力。
参考文献：
[1] Jia, H., Rao, H., Wen, C. et al. Crayfish optimization algorithm. Artif Intell Rev (2023). https://doi.org/10.1007/s10462-023-10567-4
二、多目标小龙虾优化算法MOCOA
多目标小龙虾优化算法（Multi-Objective Crayfsh optimization algorithm，MOCOA）由小龙虾优化算法融合多目标狂阶而成。将MOCOA用于求解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）,并采用IGD、GD、HV、SP进行评价。
（1）部分代码
close all;
clear ;
clc;
%%
% TestProblem测试问题说明：
%一共46个多目标测试函数（1-46）+1个工程应用（47），详情如下：
%1-5:ZDT1、ZDT2、ZDT3、ZDT4、ZDT6
%6-12：DTLZ1-DTLZ7
%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 https://blog.csdn.net/weixin_46204734/article/details/124051747
%%
TestProblem=1;%1-47
MultiObj = GetFunInfo(TestProblem);
MultiObjFnc=MultiObj.name;%问题名
% Parameters
params.Np = 100; % 种群大小
params.Nr = 200; % 外部存档中最大数目，可适当调整大小，越大，最终获得的解数目越多 (特别注意：params.Nr 不得小于params.Np)
params.maxgen =60; % 最大迭代次数
REP = MOCOA(params,MultiObj);
%% 画结果图
figure
if(size(REP.pos_fit,2)==2)
h_rep = plot(REP.pos_fit(:,1),REP.pos_fit(:,2),'ok'); hold on;
if(isfield(MultiObj,'truePF'))
h_pf = plot(MultiObj.truePF(:,1),MultiObj.truePF(:,2),'.r'); hold on;
legend('MOCOA','TruePF');
else
legend('MOCOA');
end
grid on; xlabel('f1'); ylabel('f2');
end
if(size(REP.pos_fit,2)==3)
h_rep = plot3(REP.pos_fit(:,1),REP.pos_fit(:,2),REP.pos_fit(:,3),'ok'); hold on;
if(isfield(MultiObj,'truePF'))
h_pf = plot3(MultiObj.truePF(:,1),MultiObj.truePF(:,2),MultiObj.truePF(:,3),'.r'); hold on;
legend('MOCOA','TruePF');
else
legend('MOCOA');
end
grid on; xlabel('f1'); ylabel('f2'); zlabel('f3');
end
title(MultiObjFnc)
%% 求解结果 bestX bestF
bestX=REP.pos;%POX
bestF=REP.pos_fit;%POF
save([MultiObjFnc '-bestX.txt'],'bestX','-ascii')
save([MultiObjFnc '-bestF.txt'],'bestF','-ascii')
%% 计算评价指标IGD、GD、HV、Spacing
Obtained_Pareto=REP.pos_fit;
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
save([MultiObjFnc '-MetricValue.txt'],'ResultData','-ascii')%保存评价指标的值
%%
% Display info
disp('Repository fitness values are stored in REP.pos_fit');
disp('Repository particles positions are store in REP.pos');
（2）部分结果
三、完整MATLAB代码
