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。 # z2 ]: W6 n4 c3 w
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：/ M. ]+ p0 ^9 e3 `1 g# I
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）。
! _$ s% v9 v* x0 T②对同层的个体按照第m个目标函数值升序排列。& X( Q: d8 |- P2 W
③对于处在排序边缘上的个体要给予其选择优势。
4 g8 Q+ g. K0 r. ~+ m9 W④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。）% A1 T u, J* f. N$ ]" P
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3 G+ P8 _9 r- C6 m( Z. u; S
* f& c( Q1 n" p. @+ s: p8 I | 
/1 
发表于 2020-11-13 15:58
收藏
淘帖
支持！
反对！