多目标浣熊优化算法

1.测试函数：

一共46个多目标测试函数

1-5:ZDT1、ZDT2、ZDT3、ZDT4、ZDT6

6-12：DZDT1-DZDT7

13-22：wfg1-wfg10

23-32：uf1-uf10

33-42：cf1-cf10

43-46:Kursawe、Poloni、Viennet2、Viennet3

2.（代号47,二目标优化）以“地铁隧道上方基坑工程优化设计”为例多目标海普优化具体实现。（代号48：三目标优化，高铁成本）

3.CPOBP_MOCOA 基于BP神经网络的多目标浣熊算法的参数寻优（代号51）

4.PSORF_MOCOA 基于粒子群算法优化的随机森林的多目标浣熊算法参数寻优

5.9种评价指标：全网最全

解集的收敛性评价(Convergence Performance, CP), 解集P中的每个点到参考集P *中的最小距离的平均值。（类似GD）， 反映解集与真实Pareto前沿之间的逼近程度；

解集的广泛性评价(Spread Performance, SP), 反映整个解集在目标空间中分布的广泛程度；

GD:解集P中的每个点到参考集P *中的平均最小距离表示。GD值越小，表示收敛性越好；

Spacing:度量每个解到其他解的最小距离的标准差。Spacing值越小，说明解集越均匀。

超体积指标（HV，Hypervolume）：算法获得的非支配解集与参照点围成的目标空间中区域的体积。HV值越大，说明算法的综合性能越好。

反转世代距离（IGD，Inverted Generational Distance）：每个参考点到最近的解的距离的平均值。IGD值越小，说明算法综合性能越好。

KD：衡量是否每个解集都至少包含一个与拐点相近的解或该解集是否包括全部拐点。KD值越小，说明检测拐点的能力越完整；