EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
这一篇是Xue Bing在一区cybernetics发的论文，里面提出了两个多目标PSO特征选择算法，一个是NSPSO另一个是CMDPSO。其中NSPSO是参考了NSGA2的框架和思想。下面具体说说CMDPSO。 CMDPSO全称是Crowding，Mutation，Dominance PSO算法。 ; S0 k- n3 ^- s% W E& j
个体拥挤距离在同一层Fk中需要进行选择性排序，按照个体拥挤距离(crowding distance)大小排序。个体拥挤距离是Fk上与i相邻的个体i+1和i-1之间的距离，其计算步骤为：0 { ^: {* D9 P" v2 a U
①对同层的个体距离初始化，令Ld=0（表示任意个体i的拥挤距离）。& Z: g1 k/ N9 x
②对同层的个体按照第m个目标函数值升序排列。$ _4 i1 v% m3 } o3 w
③对于处在排序边缘上的个体要给予其选择优势。1 w O2 @% u/ p4 e$ V
④对于排序中间的个体，求拥挤距离： （其中：L[i+1]m为第i+1个体的第m目标函数值fmax，fmin分别为集合中第m目标函数的最大和最小值。）9 V* b5 d" ^1 _. [: i+ S. u6 a
⑤对于不同的目标函数，重复②到④的步骤，得到个体i的拥挤距离Ld，有限选择拥挤距离较大的个体，可以是计算结果在目标空间均匀地分布，维持群体的多样性。 伪代码注意archive中存的是每一代的精英粒子集合 具体流程- ①划分数据集
- ②初始化精英集合和存档Archive
- ③计算拥挤距离
- ④二进制锦标赛选择一个一个精英个体来作为gbest指导更新
- ⑤更新粒子
- ⑥使用变异算子
- ⑦粒子真实评价
- ⑧将LeaderSet加入存档
- ⑨迭代完成后计算存档中的两个目标值/ T$ | F# i0 c: b0 y: t
& c$ I: Y! `. Z, r | 
/1 
发表于 2020-11-13 15:58
收藏
淘帖
支持！
反对！