多目标优化算法：多目标霸王龙优化算法（MOTROA）MATLAB

一、霸王龙优化算法

霸王龙优化算法（Tyrannosaurus optimization，TROA）由Venkata Satya Durga Manohar Sahu等人于2023年提出，该算法模拟霸王龙的狩猎行为，具有搜索速度快等优势。

参考文献：

[1]Venkata Satya Durga Manohar Sahu, Padarbinda Samal, Chinmoy Kumar Panigrahi,”Tyrannosaurus optimization algorithm: A new nature-inspired meta-heuristic algorithm for solving optimal control problems”,e-Prime - Advances in Electrical Engineering, Electronics and Energy,Volume 5,2023,100243,ISSN 2772-6711,https://doi.org/10.1016/j.prime.2023.100243.

二、多目标霸王龙优化算法MOTROA

多目标霸王龙优化算法（Multi-Objective Tyrannosaurus optimization，MOTROA）由霸王龙优化算法融合多目标策略而成。将MOTROA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=3;%1-47
MultiObj = GetFunInfo(TestProblem);
MultiObjFnc=MultiObj.name;%问题名
% Parameters
params.Np = 100;        %  种群大小
params.Nr = 300;        % 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 =300;    % 最大迭代次数




REP = MOTROA(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('MOTROA','TruePF');
       else
           legend('MOTROA');
       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('MOTROA','TruePF');
      else
          legend('MOTROA');
      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 bestF');
disp('Repository particles positions are store in bestX');