简介
platEMO是Ye Tian等学者写的一款基于MATLAB的多目标优化工具。
这款工具主要具有以下的几个特点：
1.完全由MATLAB开发，不需要任何其它库。
2.用户可以显示各种图形，包括结果的pareto front，真实的pareto front等等。
3.强大友好的GUI，可以不用编辑任何代码，直接调用主函数main.m即可。
4.可以直接生成Excel或者LaTex。
下载地址
该平台使用的详细信息可以在platEMO中的manual.pdf中读取。
下载后，将matlab运行目录设置为该文件夹即可。
文件夹结构
Algorithm：
包括现有的90个流行的MOEAs，包括遗传算法、差分进化、粒子群优化、模因算法、分布估计算法和基于代理模型的算法。其中大多数是2010年以后在顶级期刊上发表的代表性算法。
Data：
包括120多个benchmark MOPs。
GUI：
用于存储平台界面的源代码。
Metrics：
用于存储所有性能指标的源代码。
Operators:
用于存储所有算子的源代码。
Problems:
用于存储所有多目标优化问题的源代码。
Public:
用于存储所有类和实例的函数。
使用方法
命令行使用platEMO
用户可以通过调用带有输入参数的接口函数main（）来运行PlatEMO的命令模式。
如果main（）在没有任何输入参数的情况下被调用，则GUI模式将运行。
下表列出了main（）的所有可接受参数。注意，用户不需要分配所有参数，因为每个参数都有一个默认值。
-algorithm. 要执行的MOEA的函数。
-problem. 待解决的MOP。
-N. MOEA的种群规模。注意，它被固定在某些MOEAs(例如moead .m)中的某些特定值上，因此这些MOEAs的实际种群大小可能并不完全等于这个参数。
-M. MOP的目标数目。注意，在不可伸缩的MOPs(例如ZDT1.m)中，目标的数量是恒定的，因此这个参数对于这些MOPs是无效的。
-D. MOP决策变量的个数。注意，在某些MOP中，决策变量的数量是常量或固定到某些特定整数上的(例如：ZDT5.m)，因此决策变量的实际数量可能并不完全等于这个参数。
-evaluation. 函数评价的最大数目。
-run. 运行数。如果用户希望为相同的算法、问题、M和D参数保存多个结果，则在每次运行时修改此参数，使结果的文件名不同。
-save. 保存的种群。如果将该参数设置为0(默认值)，则会在终止后显示结果图;否则，在进化过程中获得的种群将保存在一个名为Data\algorithm\algorithm_problem_M_D_run.mat的文件中。例如：如果save为5并且evaluation是20000，评价数量为4000、8000、12000、16000、20000时得到的种群将被保存。
-outputFcn. 每次生成后调用的函数，通常不需要修改。
例如：使用下面的命令在WFG1上运行RVEA，其种群大小为200和10个目标，最终结果将显示出来：
1 | main('-algorithm',@RVEA,'-problem',@WFG1,'-N',200,'-M',10); |
使用以下命令在WFG2上运行KnEA，并在KnEA和WFG2中设置参数:
1 | main('-algorithm',{@KnEA,0.4},'-problem',{@WFG2,6}); |
每个MOEA和MOP的具体参数可以在对应函数头部的注释中找到。使用以下命令在DTLZ5上运行AR-MOEA10次，最终保存种群：
1 | for r = 1 : 10 |
使用带GUI的platEMO
用户可以通过以下命令运行PlatEMO的GUI模式：
1 | main(); |
然后在GUI上可以看到两个模块，即测试模块和实验模块。测试模块用于每次在MOP上执行一个MOEA，结果将以图的形式显示。实验模块将同时在几个MOPs上执行多个MOEAs。统计结果将列在表格中。
A: 选择执行的算法和多目标优化问题。
B: 设置所选MOEA和MOP的参数。每个参数的值应该是一个标量。注意这里的公共参数N,M,D和evaluation都视为MOP的参数。如果将参数设置为空，则该参数将等于其默认值。
C: 根据当前配置执行MOEA。
D: 显示光标移动到的区域B中的参数的介绍。
E: 显示优化过程中的当前种群。
F: 放大，缩小，平移或旋转E区域的轴。
G: 在新的标准MATLAB图中打开E区域的坐标轴，可以对坐标轴进行更多的操作，例如保存坐标轴。
H: 选择要显示在E区域轴线上的数据，包含种群的pareto front，种群的pareto集合，MOP的真实pareto front和任何性能度量的收敛轮廓。
I: 控制优化过程，即，开始，暂停，停止，后退和前进。
J: 显示其中一个历史结果。
K: 显示结果的最终种群的性能度量值。
L: 显示执行的详细信息。
用户打开测试模块后，首先选择要在A区域执行的MOEA和MOP，并在B区域设置参数，然后按下区域C按钮执行算法。实时种群将显示在E区域的轴线上，用户可以使用I区域的按钮来控制优化过程。算法结束后，通过选择J区域的弹出菜单，可以重新显示所有的历史结果。
PlatEMO实验模块界面如上图所示。各区域管制的职能如下：
Region A. 选择要执行的MOEA和MOP。
Region B.设置所选MOEA和MOP的参数。MOPs里的每个参数的值都可以是一个向量。因此，MOEAs可以在相同的MOP上以不同的设置执行。
Region C.设置每个文件中保存的种群数量。例如，如果种群大小为5，评估的数量为20000，评价数量为4000，8000，12000，16000和20000时的种群被保存。
Region D.设置每个MOP上每个MOEA的运行次数。
Region E.设置保存实验设置的文件路径。用户还可以打开现有的配置文件来加载实验设置。所有结果都将保存在文件路径的同一文件夹中。
Region F.按顺序或并行执行实验。
Region G.显示实验的统计结果。
Region H.指定表中显示的数据类型。
Region I.将表格保存为Excel或LaTeX格式。
Region J.选择表中显示的数据，包括最终总体的任何性能度量值。
Region K.控制优化过程，即，开始，暂停，停止。
Region L.右键单击一个单元格，以显示种群的Pareto front，种群的pareto集合，或度量值的收敛轮廓。
用户打开实验模块后，首先选择在区域A中执行的MOEAs和MOPs，并在区域B中设置它们的参数，在区域C中设置保存的种群数量，在区域D中设置运行的数量。然后按下F区域的两个按钮中的一个开始实验。统计结果将显示在G区域的表格中，用户可以使用K区域的按钮来控制优化过程。实验结束后，按下I区按钮，可以将表中数据以Excel或LaTeX格式保存。
或者，用户可以通过按区域K中的按钮加载现有配置，然后开始实验。如果在E区域给定的文件夹中已经存在任何结果文件，则将加载结果文件，而不是执行算法。
扩展platEMO
platEMO的结构
进行platEMO平台的实现的三个类是：GLOBAL, INDIVIDUAL和PROBLEMS。其中每个算法都是一个函数，ALGORITHM不是一个类，而是所有算法函数的统一接口。
GLOBAL表示当前运行的配置，其源代码和详细注释可在Public\GLOBAL.m中找到。在每次执行,维护一个GLOBAL对象来存储所有的参数设置和结果,包括执行的函数处理MOEA和MOP,种群规模,目标的数量,数量的决策变量,函数的最大数量评估,评估个体的数量,等等。GLOBAL还提供了一些MOEAs可以调用的方法，例如，GLOBAL.Initialization()可以生成一个随机的种群初始化，并且GLOBAL.NotTermination()可以检查是否应该终止算法。
INDIVIDUAL代表一个个体，源代码及其详细注释可以在Public\INDIVIDUAL.m中找到。一个INDIVIDUAL目标储存决策变量dec、目标值obj、约束违反con和一个个体的附加属性值。在调用构造函数时分配dec和add的值，然后自动计算obj和con的值。上面的每一个性质都是一个行向量，p.decs，P.objs, P.cons或P.adds表示一个决策变量的矩阵，分别为目标值、违反约束或单个INDIVIDUAL对象P数组的附加属性值，其中矩阵的每一行表示一个个体，每一列表示值的一维。当实例化的INDIVIDUAL对象数量超过函数GLOBAL.evaluation计算的最大数量时，算法将被迫终止。
PROBLEM是所有问题类的超类。它包含几个方法，即，PROBLEM.Init()用于生成初始种群，PROBLEM.CalDec()用于修复不可行的决策变量，PROBLEM.CalObj()用于计算目标值，PROBLEM.CalCon()用于计算约束违反情况，以及PROBLEM.PF()用于在真正的帕累托前沿采样参考点。每个问题都应该作为PROBLEM的子类来编写，并重载上面的方法。
增加算法
MOEA函数由PlatEMO中的一个.m文件表示，该文件应放在“算法”文件夹中。例如，NSGAII.m的源代码是
1 | function NSGAII(Global) |
首先，用全局变量进行初始化，生成一个初始种群。
一个多目标进化算法至少有三步：通过Global.Initialization()全局初始化，通过 Global.NotTermination()检查优化是否结束，通过算子（例如GA()）得到子代，EnvironmentalSelection() 是NSGAⅡ特有的算法， NDSort() 和
TournamentSelection()是存储在Public中的实例函数。
对于基于分解的MOEAs，需要预先生成一组参考点。例如，在MOEAD.m中，使用以下命令生成参考点：
1 | [W,Global.N] = UniformPoint(Global.N,Global.M); |
其中UniformPoint（）是Public文件夹中的一个实例函数，用于在单元超平面上生成具有Global.M目标的Global.N均匀分布点。W是参考点集，总体规模全局。N重置为W中参考点的数量。
MOEA函数（以及MOP函数）头部应该以指定的形式编写，以便GUI能够识别。例如，在gfmmea.m中，函数头中的注释是
1 | function GFMMOEA(Global) |
第2行给出了函数的两个标签，第一个标签\
1 | [theta,fPFE] = Global.ParameterSet(0.2,0.1); |
可以在Public\GLOBAL.m中找到Global.ParameterSet()的详细介绍。对于代理辅助的MOEA，可以使用以下命令根据父母的决策变量生成新的决策变量，没有INDIVIDUAL对象会被实例化，并且被评估的个体的数量GLOBAL.evaluated不会增加。
OffDec = GA(Population(MatingPool).decs);
对于函数GA（），如果输入是INDIVIDUAL 对象的数组，则输出也是INDIVIDUAL 对象的数组。如果输入是决策变量的矩阵，那么输出也是决策变量的矩阵。
增加问题
MOP函数由PlatEMO中的一个.m文件表示，该文件应该放在文件夹Problems中。
例如，DTLZ2的源代码.m是
1 | 1. classdef DTLZ2 < PROBLEM |
首先，DTLZ2是问题的子类，每个操作都是一个重载方法。在DTLZ2.DTLZ2()构造函数中设置目标个数的值GLOBAL.M，决策变量的数量GLOBAL.D，决策变量的下界GLOBAL.lower，决策变量的上界GLOBAL.upper，和编码GLOBAL.encoding。在DTLZ2.CalObj()中，计算种群的目标值。在DTLZ2.PF()中，真实的帕累托前沿选取一组参考点。
值得注意的是，决策变量在三种情况下可能是不可行的。首先，对于连续MOPs，它可能大于全局上界（GLOBAL.upper）或小于下界（GLOBAL.lower）。在这种情况下，它将被INDIVIDUAL的类设置为边界值，而MOP类不需要处理这种情况。其次，它可能没有满足约束(一个正的约束违背表明这个约束没有被满足)，在这种情况下，约束违背应该通过重载方法PROBLEM.CalCon()来计算，例如在C1_DTLZ1.m中：
1 | 1. function PopCon = CalCon(obj,PopDec) |
第三，对于组合MOPs，它可能是一个非法字符，在这种情况下，它应该通过重载方法PROBLEM.CalDec()来修复，例如在MOKP.m中：
1 | 1. function PopDec = CalDec(obj,PopDec) |
与MOEA函数类似，MOP类可以接收用户的参数设置，例如在WFG1.m中，以下命令用于接收参数设置：
1 | 1. obj.K = obj.Global.ParameterSet(obj.Global.M-1); |
增加性能度量
性能度量函数由PlatEMO中的.m文件表示，该文件应该放在Metrics文件夹中。例如，IGD.m的源代码是
1 | 1. function score = IGD(PopObj,PF) |
首先，性能度量函数有两个输入参数和一个输出参数，其中PopObj表示种群目标值矩阵，PF表示在真实Pareto前沿采样的一组参考点，并且score表示性能度量值。注意，第2行中的注释是GUI标识所必需的，其中第一个标签表示这是一个性能度量函数，第二个标签表示度量值越小性能越好。相反，如果第二个标签是，则表示度量值越大，性能越好。