多目标优化学习笔记2：MOPSO 基本概念及计算流程

多目标优化（Multi-objective Optimization）是指迭代搜寻出能够满足所有约束
条件的解，而且可行解都是以点集的形式出现。
多目标优化的可行解是一组可选的可行解，是帕累托前沿线上的点。根据实际需求，在可选解集中挑选出符合实际问题的方案，做出最终选择。

CarlosA. Coello 等在2004年加入Pareto 竞争机制和微粒知识库的多目标粒子群（MOPSO）算法是解决多目标问题的非常经典的方法。较PSO有两个创新点。
基本思想：通过群体中个体之间的协作和信息共享来寻找最优解，它包含有进化计算和群体智能的特点。
关于非支配解（Pareto解）、pareto最优解集，pareto前沿的概念，请移步我前一篇文章
简述多目标优化、非劣解、pareto解概念

一 基本概念

MOPSO算法涉及到的参变量主要有：
粒子群数量；迭代次数；例子的速度范围、位置范围；适应度值；存档阈值；惯性因子；速度因子；网格。
控制参数的选择能够影响算法的性能效率。
一般参数设定：粒子数50个，非劣解集个数上限为50，个体学习因子 C1为 1，群体学习因
C2为 2，变异因子为 0.1，最大迭代次数为 200。

二，单目标和多目标的区别

MOPSO算法与PSO算法的区别主要涉及两个方面：
1，pbest的确定
单目标选择时，两个粒子的对比，只需要对比一下就可以选择出哪个较优。
多目标选择时，两个粒子的对比，并不能对比出哪个好一些。如果粒子的每个目标都要好的话，则该粒子更优。若有些更好，有些更差的话，就无法严格的说哪个好些，哪个差一些。
2，gbest的确定
单目标选择时，选择最优的那个粒子就可以。
多目标选择时，最优的个体有多个，引领种群进化方向的引领者不唯一，是多个。

MOP