多目标粒子群算法MOBPSO形象理解

算法本质上最形象来讲。粒子看作50个人。可能潜在的700个解看做700个房间，还没被人打开。
 
 初始：50个人每人随机进一个屋子，这个屋子的各项指标（温度，湿度，叫做目标函数），这50个人心中都有一个脑子pbest，自己知道哪个屋子最好。第一次按算法更新，50个人进入下一个房子。
 
下一个房子就是新解，有新的目标函数，如果这个屋子在各项指标都比上一个屋子好，那么pbest就是这个新解了，如果都没上一个好，pbest还是上一个pbest，如果互相不支配，那么随机从新解和pbest里选一个作为下次寻找房子的pbest。
 
Gbest相当于这50个人有个对讲机，他们每次寻找房子后都互相通气儿，有个全局意义上的最好的房子，为了能把这700个房子都找完，他们要做的就是为gbest设定为不密集的区域的房子（当然这个房子是非劣的房子）。
 
外部档案集相当于一个外界的笔记本，每次寻找后这50个人告诉了笔记本他们这波找到的10个非劣解房子，和我笔记本里记录的30个房子比较下，40个房子里有两个房子被其他房子的目标支配，那么把他们删掉，剩下38个房子。但是笔记本只有30个空间，那么依据拥挤距离删掉8个，剩下30个。
 
那么这样寻找了100回合，最后在外部档案集里就是一个均匀的30个非劣解房子集合，这时候从这30个房子里去多目标决策挑选。