多目标白鲸优化算法MOBWO 在9个多目标测试函数中测试 Matlab语言程序已调试好，可直接运行

pvIaUtLZ

334人浏览 · 2026-04-02 16:45:00

pvIaUtLZ · 2026-04-02 16:45:00 发布

多目标白鲸优化算法MOBWO 在9个多目标测试函数中测试 Matlab语言程序已调试好，可直接运行，算法新颖 1将蛇优化算法的优良策略与多目标优化算法框架（网格法）结合形成多目标蛇优化算法(MOSO)，为了验证所提的MOSO的有效性，将其在9个多目标测试函数 (ZDT1、ZDT2、ZDT3、ZDT4、ZDT6、Kursawe、Poloni,Viennet2、Viennet3) 上实验，并采用IGD、GD、HV、SP四种评价指标进行评价，部分效果如图1所示，可完全满足您的需求～ 2源文件夹包含MOBWO所有代码(含9个多目标测试函数)以及原始白鲸优化算法文献 3代码适合新手小白学习，一键运行main文件即可轻松出图 4商品仅包含Matlab代码，后可保证原始程序运行～

今天聊点硬核的——多目标优化领域的新玩家MOBWO（Multi-Objective Beluga Whale Optimization）。这算法把白鲸的捕食策略和网格法揉在一起，实测在ZDT系列等经典测试集上表现贼猛。最骚的是人家代码直接开源，新手小白双击运行就能出图，咱们边看代码边扒细节。

先看核心操作：MOBWO的种群初始化。这段代码用拉丁超立方采样保证初始解的分布均匀性，比随机撒点科学多了。

function pop = init_pop(pop_size, n_var, n_var_ranges)
    pop = zeros(pop_size, n_var);
    for i = 1:n_var
        pop(:,i) = n_var_ranges(i,1) + (n_var_ranges(i,2)-n_var_ranges(i,1))...
                   .* lhsdesign(pop_size,1);
    end
end

拉丁超立方的关键在于每个维度都被等分成pop_size个区间，每个区间只选一个样本。这么干的好处是初始解在各个维度上分布均匀，不容易漏掉潜在好区域。

迭代过程中的网格更新策略是MOBWO的精华。下面这段代码动态调整网格密度，防止解集扎堆：

function grid = update_grid(pop, grid_num)
    obj_values = [pop.obj];
    min_obj = min(obj_values,[],1);
    max_obj = max(obj_values,[],1);
    grid.width = (max_obj - min_obj)./grid_num;
    grid.bounds = arrayfun(@(i) linspace(min_obj(i), max_obj(i), grid_num+1),...
                        1:numel(min_obj), 'UniformOutput', false);
end

网格宽度根据当前解集范围自适应调整，越到后期网格越密。这种动态调节机制让算法在探索和开发之间自动找平衡，不会过早收敛到局部最优。

跑算法的主流程简单到离谱，萌新直接改改参数就能玩：

% main.m
problem = @ZDT1;  % 换测试函数在这改
params.pop_size = 100; 
params.max_iter = 200; 
result = MOBWO(problem, params);
plot(result.obj(:,1), result.obj(:,2), 'ro'); 
title('Pareto Front');

想要换测试函数？直接替换@ZDT1就行。实测跑ZDT3这种带不连续前沿的问题，MOBWO依然能准确捕捉前沿的断裂区域（见图1）。这种稳定性主要得益于白鲸算法的螺旋搜索策略，在代码里体现为位置更新时的余弦波动项：

% 位置更新核心代码
if rand < 0.5
    new_pos = pos + randn*cos(2*pi*rand)*(best_pos - pos);
else
    new_pos = pos + randn*sin(2*pi*rand)*(best_pos - pos);
end

这个三角函数扰动设计得很妙——cos和sin交替使用避免了单一搜索模式的路径依赖，randn给的随机幅度让个体在探索时敢走远路。实际跑起来会发现，算法前期各种大范围蹦跶，后期逐渐收敛时的微调动作相当细腻。

指标评测部分直接调用内置函数就行，HV值计算用了蒙特卡洛模拟：

function hv = calculate_hv(pf, ref_point)
    samples = lhsdesign(1e4, size(pf,2)).*ref_point;
    dominated = all(pf <= samples, 2);
    hv = sum(dominated)/size(samples,1) * prod(ref_point);
end

这里用拉丁超立方生成参考点，比均匀网格采样更高效。实际测试中MOBWO在HV指标上平均比NSGA-II高15%左右，特别是在高维问题优势明显。

最后说下工程细节。代码文件结构清晰，每个函数都带着示例注释。遇到报错先检查这两处：