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。
& T! u3 ]1 Z4 {5 H5 C5 n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：
# H& Y$ g$ T" M①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）。/ j8 g: f& _+ A1 ^: _
②对同层的个体按照第m个目标函数值升序排列。
- P5 g9 s# u1 T1 z! X6 V2 y, D& M③对于处在排序边缘上的个体要给予其选择优势。. a% p. {! [4 u# 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。）$ v' A, v3 o' ?: g. ~) \1 t
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. L5 B+ a$ v$ K# t8 s
+ _# U7 t" T) d( I6 _
| 
/1 
发表于 2020-11-13 15:58
收藏
淘帖
支持！
反对！