带约束的多目标优化的OSY问题详细介绍（最全概括）

最新推荐文章于 2022-11-10 10:43:22 发布
最新推荐文章于 2022-11-10 10:43:22 发布
阅读量1.1k 收藏 1
点赞数
分类专栏： 论文陪读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/a1920993165/article/details/112752390
版权

OSY

Osyczka and Kundu(OSY)问题有6个决策变量，其具体定义如下：
在这里插入图片描述
最优情况下可行域由5个相连的子区域构成。取得最优时，x4和x6都等于0，下表显示了5个区域最优情况下中其他4个变量的大小或范围，以及每个区域起作用的约束。
在这里插入图片描述
其Pareto Front如下图所示：
在这里插入图片描述

返回受约束的多目标优化问题优秀论文及总结目录

小怪兽会微笑
关注
专栏目录
约束多目标优化问题中约束处理方法综述
02-27
约束多目标优化问题中约束处理方法综述,遗传算法（Genetic Algorithm，GA）是模仿自然界生物进化机制发展起来的全局搜索优化方法，它在迭代过程中使用适者生存的原则，采用交叉、变异等操作使得种群朝着最优的方向进化，最终获得最优解。
(顶刊)多目标优化中的约束处理
大模型天花板
11-19 1万+
Constraint Handling in Multiobjective Evolutionary Optimization 1.摘要 本文提出了一种基于自适应惩罚函数和距离测度的多目标进化算法的约束处理技术。 这两个函数的变化取决于目标函数值和个人违反约束的总和。 通过该设计，对目标空间进行了修改，以同时考虑每个个体的目标值和约束违反。 在不可行空间中的搜索是为了利用那些具有更好的目标值和较低约束违反的个体信息。 种群中可行个体的比例被用来指导搜索过程，用来控制优先选择可行性还是最优性。 2.介绍和文
受约束的多目标优化优秀论文及总结目录
大模型天花板
11-19 1万+
Constrained Multiobjective Optimization Problems 标题 发表时间 同时带有决策和目标约束的多目标优化问题 2019 嵌入于MOEA/D的一个自适应约束处理方法 2012 一种使用可行性引导的改进目标函数的方法 2014 多目标优化中的约束处理 2009 .........
【优化求解】基于NSGAII算法求解含约束多目标优化问题matlab代码
m0_60703264的博客
11-30 2125
NSGA（非支配排序遗传算法）、NSGAII（带精英策略的非支配排序的遗传算法），都是基于遗传算法的多目标优化算法，都是基于pareto最优解讨论的多目标优化​.
带约束的多目标优化的DAS-CMOP问题详细介绍（最全概括）
大模型天花板
01-17 1700
DAS-CMOP DAS-CMOP是个可调约束的多目标优化基准函数集。共9个基准函数，其中前1-6个是2目标的优化问题，7-9是3目标优化问题。 其约束的强度和难度用：(η,ζ,γ）控制，η,ζ,γ∈[0,1],这个值可以自定义，也可以使用作者提供的16个参数组控制，如下： 这里给出两个实例的Pareto Front： DAS-CMOP1（使用第1个参数组） DAS-CMOP7（使用第12个参数组） ...
带约束的多目标优化进化算法综述
大模型天花板
12-16 1万+
约束优化进化算法综述 1.摘要 约束优化进化算法主要研究如何利用进化计算方法求解约束优化问题,是进化计算领城的一个重要研究课题.约束优化问题求解存在约束区域离散、等式约束、非线性约束等挑战,其问题的本质是,如何处理可行解与不可行解的关系才能使得算法更高效.首先介绍了约束优化问题的定义;然后,系统地分析了目前存在的约束优化方法;同时,基于约束处理机制,将这些方法分为罚函数法、可行性法则、随机排序法、ᴈ-约束处理法、多目标优化法、混合法等 6 类,并从约束处理方法的角度对约束优化进化算法的最新研究进展进行综述;
(顶刊)同时带有决策和目标约束的多目标优化问题
大模型天花板
11-06 6847
Handling Constrained Multiobjective Optimization Problems With Constraints in Both the Decision and Objective Spaces 1.摘要 在真实世界中，带有决策和目标约束的多目标优化问题常常都同时出现。但以前的人工CMOPS从来没有同时考虑过决策和目标约束。因此，本文设计了一个同时带有决策和目标约束的人造的多目标优化问题集，取名为DOC。 另外，本文还提出了一个简单且高效的处理DOC或也可用于其他CMO
多目标优化算法：多目标白鲨优化算法MOWSO（提供Matlab代码）
IT猿手
04-02 8860
一、算法简介 白鲨优化算法（White Shark Optimizer，WSO）由Malik Braik等人于2022年提出，该算法受大白鲨导航和觅食时具有的非凡听觉和嗅觉启发。该算法思路新颖，策略高效。 大白鲨体呈纺锤型，躯干较粗壮。头一般长。尾基上下方各具一凹洼；尾柄具侧突。吻较短而尖突。眼中大，圆形，无瞬膜。前鼻瓣细小突出；无口鼻沟或触须。口裂宽，弧形，下颌极短，口闭时露齿；颌齿大型，边缘具锯齿，前面齿窄长而如钻子状，侧面齿侧扁如刀状，往后则渐低小，齿无小齿尖。喷水孔微小，有时消失。背鳍2个，第一背鳍
线性规划python
abc1234564546的博客
08-10 6297
线性规划python
多目标优化问题经典测试函数
11-13
多目标优化问题是一种在多个相互冲突的目标之间寻求平衡的优化问题。在实际应用中，比如工程设计、资源分配、投资组合优化等领域，往往需要同时考虑多个指标，这些指标可能无法通过简单加权来综合成一个单一的目标。...
经典测试函数-MATLAB.zip_BNH 测试函数_ZDT6测试函数_ZDT测试函数_bnh测试函数_osy函数
07-14
多目标优化中经典的测试函数MATLAB代码
Teorie__OSY
03-07
"Teorie__OSY"这个主题不仅涵盖了操作系统的基本理论，可能还会涉及操作系统实现的具体技术、操作系统内核设计、操作系统的性能分析和优化等方面，旨在全面理解和掌握操作系统这一核心计算机科学领域的知识。...
c800-k8osy6-mw.123-1a.bin
09-06
网络工程师
MATLAB应用实战系列NSGA-II多目标优化算法原理及应用实例（附MATLAB代码）
wenyusuran的专栏
03-15 1万+
NSGA-II在常规遗传算法上的改进，关键步骤就3步。 1）快速非支配排序算子的设计 多目标优化问题的设计关键在于求取Pareto最优解集。NSGA-II算法中的快速非支配排序是根据个体的非劣解水平对种群分层，其作用是指引搜索向Pareto最优解集方向进行。它是一个循环的适应值分级过程：首先找出群体中非支配解集，记为第一非支配层F，将其所有个体赋予非支配序值irank=1(其中irank是个体i的非支配排序值)，并从整个种群中除去；然后继续找出余下群体中非支配解集，记为第二非支配排序层F2，个体被赋予.
高维设计空间中多目标优化的智能采样框架
大模型天花板
12-23 2300
An intelligent sampling framework for multi-objective optimization in high dimensional design space 1.摘要 本文提出了一种新的智能采样框架，旨在解决大规模优化问题，即具有多目标、高维设计空间和非线性/非凸约束的工程应用。 并在三个例子中证明了该框架的能力。 2.介绍 自适应采样方法目的是减少优化过程中总的训练样本数。 智能采样框架包括以下四个方面： 先进的代理建模技术，能够用数据相对有限的高维输入变量逼近
带约束条件：NSGA-Ⅱ多目标约束优化（Matlab代码+中文注解)
热门推荐
Olivel1997的博客
07-06 3万+
最近在做天线多目标优化的实例，因此接触到了NSGA-Ⅱ算法，所以想分享以下我个人的学习内容与经历，仅作参考，如果内容有误，也希望各位能够指出来，大家一起进行交流指正。 内容将分为以下几个模块，内容可能较多，如果觉得不错的话，可以点赞????，收藏或者转发哦！ 目录NSGA-Ⅱ算法简介非支配集排序锦标赛选择模拟二进制交叉多项式变异精英保留策略参考文献 NSGA-Ⅱ算法简介 NSGA-Ⅱ算法由Deb等人首次提出，其思想为带有精英保留策略的快速非支配多目标优化算法，是一种基于Pareto最优解的多目标优化算法。
【论文研读】-用于约束多目标优化的新型双阶段双种群进化算法
遗世独立的乌托邦
03-30 9301
论文研读-用于约束多目标优化的新型双阶段双种群进化算法 A Novel Dual-Stage Dual-Population Evolutionary Algorithm for Constrained Multi-Objective Optimization 觉得有用的话,欢迎一起讨论相互学习~ 最近我在学习约束多目标问题的论文，其中由明博士和张教授发表在TEVC上的DD-CMOEA非常不错~ 原文链接 此篇文章为 M. Ming, R. Wang, H. Ishibuchi and T. Zhang
绘制(动态)约束多目标优化问题真实前沿
qq_37179970的博客
11-10 1137
多目标优化，约束，动态
单目标&多目标优化算法的测试函数与解
xuxinrk的博客
10-11 2万+
原文 From Wikipedia, the free encyclopedia In applied mathematics, test functions, known as artificial landscapes, are useful to evaluate characteristics of optimization algorithms, such as: Velocity...
优化 SELECT a.item_id, a.item_code, a.item_name, GROUP_CONCAT(b.channel_class_code) channelClassCodes, (SELECT count(*) FROM `tb_user_collection` where user_id = #{skuGoodDto.userId} and target_id = a.item_code) AS isCollect FROM osy_item AS a LEFT JOIN osy_item_sale AS b ON a.item_id = b.item_id where a.usable = 2 and b.usable = 2 and (b.channel_class_code = 10 or b.channel_class_code = 22) GROUP BY a.item_id
最新发布
07-15
根据您提供的 SQL 查询语句，可以对其进行一些优化。首先，可以使用 IN 关键字来简化 WHERE 子句中的多个条件判断，将 ```sql (b.channel_class_code = 10 or b.channel_class_code = 22) ``` 修改为 ```sql b.channel_class_code IN (10, 22) ``` 接下来，可以使用 LEFT JOIN 连接 osy_item 和 osy_item_sale 表，然后再使用 GROUP BY 子句对结果进行分组。这样可以避免在 SELECT 子查询中使用子查询。 下面是优化后的 SQL 查询语句： ```sql SELECT a.item_id, a.item_code, a.item_name, GROUP_CONCAT(b.channel_class_code) AS channelClassCodes, COUNT(c.target_id) AS isCollect FROM osy_item AS a LEFT JOIN osy_item_sale AS b ON a.item_id = b.item_id LEFT JOIN tb_user_collection AS c ON c.target_id = a.item_code AND c.user_id = #{skuGoodDto.userId} WHERE a.usable = 2 AND b.usable = 2 AND b.channel_class_code IN (10, 22) GROUP BY a.item_id; ``` 请注意，上述 SQL 查询语句中的 `#{skuGoodDto.userId}` 是占位符，您需要根据实际情况将其替换为相应的用户 ID 值。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小怪兽会微笑

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值