40行代码实现多目标遗传算法优化结构设计|多输出问题优化

function y_out_put=calcalate_mutiobj(test_x_feature_label)
load('MT_19_Nov_2024_20_19_57.mat')  
x_mu=G_out_data.x_mu_all;x_sig=G_out_data.x_sig_all;y_mu_all=G_out_data.y_mu_all;      %展示了多输出的个数y_sig_all=G_out_data.y_sig_all;y_last_result=[];

for NUM_all=1:length(y_mu_all)  
  test_x_feature_label_norm = (test_x_feature_label - x_mu) ./ x_sig;    % 训练数据标准化      Mdl_all=G_out_data.model_all;  Mdl=Mdl_all{1,NUM_all};   y_test_predict_norm=predict(Mdl,test_x_feature_label_norm);      y_last_result(:,NUM_all)=y_test_predict_norm.*y_sig_all(NUM_all)+y_mu_all(NUM_all);  
end  y_out_put=y_last_result;  %输出 %默认求最小% y_out_put(2)=-y_out_put(2);    %第二个目标求最大，其他目标求最小的情况
% y_out_put=-y_out_put;  %全部目标求最大的情况end

clc;clear;close all;%14个特征对于3个输出%然后反推3个输出对应的最优特征rng default % For reproducibility
fun = @calcalate_mutiobj; %设置的函数
intcon = [8,14]; %第8个和第14个特征是整数
%14个特征的上限和下限lb = [253.430  0.010  252.43  1.62  2.46  2.25  -2.3  1  -62.52  0.64  -107.15  902.78  0  1];ub = [266.72  0.92  348.88 18.07  15.6  12.16  100.41  6  77.68  274.07  10.04  915.38  0.25  12];
options = optimoptions("gamultiobj","PlotFcn","gaplotpareto",...    "PopulationSize",20,'MaxGenerations',50);  %对应的是种群数和迭代次数
nvars = length(lb);A = []; %不等约束b = []; %不等约束Aeq = []; %等式约束beq = []; %等式约束nonlcon = [];  %非线性约束[x,fval] = gamultiobj(fun,nvars,A,b,Aeq,beq,lb,ub,nonlcon,intcon,options);%x就是帕托拉前沿%%figurescatter3(fval(:,1),fval(:,2),fval(:,3))xlabel('objective1')ylabel('objective2')zlabel('objective3')%最后得到7个帕托拉前沿，进一步可以对7个解进行评价或者之类的，找到其中一个或者都可以用

function y_out_put=calcalate_mutiobj1(test_x_feature_label)
load('MT_19_Nov_2024_21_48_50.mat')
x_mu=G_out_data.x_mu_all;x_sig=G_out_data.x_sig_all;y_mu_all=G_out_data.y_mu_all;      %展示了多输出的个数y_sig_all=G_out_data.y_sig_all;y_last_result=[];

for NUM_all=1:length(y_mu_all)  
  test_x_feature_label_norm = (test_x_feature_label - x_mu) ./ x_sig;    % 训练数据标准化      Mdl_all=G_out_data.model_all;  Mdl=Mdl_all{1,NUM_all};   y_test_predict_norm=predict(Mdl,test_x_feature_label_norm);      y_last_result(:,NUM_all)=y_test_predict_norm.*y_sig_all(NUM_all)+y_mu_all(NUM_all);  
end  y_out_put=y_last_result;  %输出 %默认求最小y_out_put(2)=-y_out_put(2);    %第二个目标求最大，其他目标求最小的情况
% y_out_put=-y_out_put;  %全部目标求最大的情况end

clc;clear;close all;%12个特征对于2个输出%然后反推2个输出对应的最优特征rng default % For reproducibility
fun = @calcalate_mutiobj1; %设置的函数
intcon = [8]; %第8个和第14个特征是整数
%14个特征的上限和下限lb = [253.430  0.010  252.43  1.62  2.46  2.25  -2.3  1  -62.52  0.64  -107.15  902.78];ub = [266.72  0.92  348.88 18.07  15.6  12.16  100.41  6  77.68  274.07  10.04  915.38  ];
options = optimoptions("gamultiobj","PlotFcn","gaplotpareto",...    "PopulationSize",20,'MaxGenerations',50);  %对应的是种群数和迭代次数
nvars = length(lb);A = [];b = [];Aeq = [];beq = [];nonlcon = [];[x,fval] = gamultiobj(fun,nvars,A,b,Aeq,beq,lb,ub,nonlcon,intcon,options);%x就是帕托拉前沿%%figurescatter(fval(:,1),-fval(:,2))xlabel('objective1')ylabel('objective2')% zlabel('objective3')%最后得到7个帕托拉前沿，进一步可以对7个解进行评价或者之类的，找到其中一个或者都可以用