森屿~~-CSDN博客

原创 ALNS自适应大规模邻域搜索算法核心

LNS（Large Neighborhood Search）是一种，用于解决组合优化问题。它是基于局部搜索的思想，但与传统的局部搜索算法不同，LNS通过在搜索过程中采用大规模变动来跳出局部最优解，并在此基础上进行小规模搜索以逐步改进当前解。其核心是破坏算子和修复算子，如何选择和构建破坏算子和修复算子是较为关键的一部分，文献中大部分学者的做法是通过设计多个算子，通过不同得分进而用轮盘赌的选择方法选择适合的算子，以此文献为例。

2024-03-14 21:22:35 1392

原创 LNS 大规模邻域搜索解决VRPTW问题

LNS（Large Neighborhood Search）是一种启发式算法，用于解决组合优化问题。它是基于局部搜索的思想，但与传统的局部搜索算法不同，LNS通过在搜索过程中采用大规模变动来跳出局部最优解，并在此基础上进行小规模搜索以逐步改进当前解。LNS算法通过动态调整搜索策略和操作选择来逐步改进当前解，以便在搜索空间中寻找更好的解决方案。它灵活适用于各种组合优化问题，并且通常能够在合理的时间内找到较好的解决方案。LNS实质上是通过交替使用两个方法逐步改善初始解。

2024-03-13 20:23:31 1138

原创 VRP问题编码方式及创造新解措施

在车辆路径优化问题中,一种好的编码方式应该能辨别出车辆数目、有哪些顾客被指派到该车辆及顾客的访问顺序实数编码方案能够清楚的展示车辆送了哪些顾客，几辆车以及车辆数目。随机全排列即可生成初始的解。

2024-03-11 21:01:56 436 1

原创智能优化算法改进策略

莱维飞行（Levy Flight）是一种特殊的随机行走模型，也被称为莱维步行或莱维漫步，用来描述具有长尾分布的移动模式。在莱维飞行中，个体或粒子在空间中进行随机移动，其步长和方向由所决定。莱维分布是一种具有的概率分布，其概率密度函数满足。这意味着在莱维分布中，相对较大的步长事件（即远距离的移动）比正态分布或其他常见分布更加频繁地发生。莱维飞行可以用以下方式进行解释：步长的生成：根据莱维分布，生成一个随机步长。莱维分布的步长通常具有无穷方差，因此可以使用稳定分布或通过取对数进行转换来进行模拟。

2024-03-10 16:39:51 2225 1

原创 VRP(Vehicle Routing Problem)车辆路径问题

约束条件（4）和（5）保证离开车辆段和返回车辆段的车辆数量都应该等于车辆总数，这意味着每辆车都应该从车辆段出发和结束。约束条件(7)保证车辆的剩余能力不能小于其下一个客户j的需求，同时不超过最大容量C。在此公式中，目标是最小化总运输成本并表示弧 {i, j} 的成本。等式（2）和（3）表明每个顾客只能被服务一次。式(6)表示车辆k的剩余能力的更新过程。约束(8)用于确保决策变量是二进制的。

2023-12-08 11:33:56 216

原创 CMEGL算法

CMEGL通过产生3个种群（P1、P2、P3），每个种群有NP个个体，在搜索空间中随机生成，分别负责求解主任务（MT）、全局辅助任务（GAT）和局部辅助任务（LAT）。同时初始化进化阶段索引参数stage和参数βt。在迭代期间，根据下列公式，算法首先检测是否将进化阶段从第一阶段切换到第二阶段。（此公式在GAT中解释）三个种群产生的子代为O1、O2、O3。在第二阶段，P2停止进化，产生一个空集O2，CMEGL采用SBX、PM来生成后代。GAT被用来帮助穿越巨大的不可行的区域，跳出局部最优。

2023-11-11 11:38:49 115 1

原创约束多目标算法文献

该算法用两个种群来处理CMOPS，第一个种群用来处理原始的CMOPs，第二个种群用来辅助第一个种群来处理CMOPs。CCMO算法从大小为N的两个种群Population1和Population2的随机初始化开始。在每一代中，通过所采用的MOEA交配选择策略，分别从群体1和群体2中选择两个亲本集Parent1和Parent2。两个父代集合中的每一个个体被用于通过所采用的MOEA的算子来生成后代种群。随后将种群1和种群2与两个后代种群合并，并通过所采用的MOEA的环境选择策略进一步选择。

2023-11-10 13:30:46 287 1

原创 URCMO算法

URCMO利用UPF和CPF的之间的关系来解决CMOPs。URCMO试图探讨和利用约束Pareto前沿(CPF)和无约束Pareto前沿(UPF)之间的关系来求解cmp。特别是对于给定的CMOP，演化过程分为学习阶段和演化阶段。学习阶段的目的是测量CPF和UPF之间的关系。为此，首先创建两个种群，并通过特定的学习策略使它们分别接近CPF和UPF。然后，利用两个种群的可行性信息和优势度关系来确定它们之间的关系。基于学习到的关系，在进化阶段设计具体的进化策略，提高目标信息的利用效率，从而更好地解决该CMOP。

2023-10-27 21:13:00 223 1

原创 A Competitive Mechanism Based Multi-objective Particle SwarmOptimizer with Fast Convergence

图1给出了所提出的CMOPSO中的成对竞争的说明性示例，其中a和B是从精英粒子集中随机选择的两个竞争者，p是要更新的群中的粒子。值得注意的是，由于精英粒子是从当前群体中选择在每一代，CMOPSO不需要任何额外的外部档案，而大多数现有的多目标PSO算法往往包含一个档案存储的全局和个人最佳particlces。在该示例中，p是要更新的粒子，a和b是从精英粒子集合中随机选择的两个竞争者。第i个粒子的更新速度v i和位置p i使用上述等式计算，其中R1，R2 ∈ [0，1]是两个随机生成的向量，pw是赢家的位置。

2023-10-23 18:36:06 117

原创 Simulated Binary Crossover(模拟二进制交叉)

基于此，考虑一个长度为15的二进制编码的个体，之间随机挑选所有可能的分割位点进行单点变异后的子代和父代计算的β。（为啥要用实值交叉呢？许多复杂的现实世界问题都是受限的优化问题，特别是对于工业工程领域的问题，标准遗传算法很难直接应用。从遗传算法解的角度来看：移动到邻近的解需要改变许多位，这给连续搜索空间中的渐进搜索带来了阻碍。（这点不难证明，因为前后二进制位置的值没有变）SBX是一种实值交叉算法，它模拟具有单点交叉的二进制编码遗传算法的行为。可以看到如果有办法去等到β的值，那么子代就能根据公式算出来。

2023-10-13 11:35:17 532

原创 Kernel principal component analysis (KPCA)

核主成分分析（KPCA）将原始数据通过选择适当的核函数（Kernel）映射到高维空间，再利用高维度空间进行线性降维，是一种用于非线性分类的降维工具。因此 KPCA的核心就是核函数。同时，KPCA采用了比较复杂的非线性映射，提高了非线性数据的处理效率。https://link.zhihu.com/?target=https%3A//github.com/kitayama1234/MATLAB-Kernel-PCA

2023-10-01 14:23:14 66

原创论文研读：Multiobjective Evolution Strategy for Dynamic Multiobjective Optimization（动态多目标优化的多目标进化策略）

（导师和师兄的文章，仅自己学习用）本文提出了一种新颖的基于进化策略的进化算法，称为，它可以有效地解决动态环境中的多目标优化问题。首先，设计了一种，供个体探索和利用决策空间。其次，模拟的各向同性磁粒子生态位可以引导个体保持均匀的距离和范围，以自动逼近整个帕累托前沿。第三，非支配解（NDS）引导的迁移（没看懂这个词什么意思）可以分别通过 NDS 和支配解，两种不同的策略促进种群收敛。因此，当环境发生变化时，我们的算法可以跟踪新的近似Pareto集并尽快逼近Pareto前沿。

2023-09-23 19:17:54 415 1

原创多目标进化计算中的约束处理

（rf=0，证明没有可行个体数量）从(6)中，我们观察到，如果当前种群中没有可行的个体，则距离值等于个体的约束违反。在这种情况下，根据距离值，无论目标函数值如何，违反约束较小的不可行个体将支配违反较高约束的另一个不可行个体。这些处罚有两个主要目的。因此，在种群中可行个体很少（rf很小）的情况下，具有较高约束违反的不可行个体将比那些具有较低约束违反的不可行个体受到更多的惩罚。在归档过程中，存储当前种群中的最佳个体，最佳可行个体优先于不可行个体进行归档，因为约束多目标优化的目标最终是找到可行的最优解。

2023-09-22 15:34:32 286 1

原创差分进化算法 DE（Differential Evolution)

差分进化算法是一种启发式方法，用于最优化可能的非线性和不可微的连续空间函数。通过一个广泛的测试平台，证明了新方法比许多其他著名的全局优化方法收敛得更快，且更有把握。新方法需要的控制变量少，鲁棒性好，且易于使用，非常适合进行并行计算。

2023-09-20 20:42:21 1264 1

原创非支配排序遗传算法 NSGA-II(Non-dominated Sorting Genetic Algorithms-Ⅱ)

2000年，Deb又提出NSGA的改进算法一带精英策略的非支配排序遗传算法(NSGA-II），针对以上的缺陷通过以下三个方面进行了改进：1.提出了快速非支配排序法，降低了算法的计算复杂度。由原来的降到，其中，m为目标函数个数，N为种群大小。2.提出了拥挤度和拥挤度比较算子，代替了需要指定共享半径的适应度共享策略，并在快速排序后的同级比较中作为胜出标准，使准Pareto域中的个体能扩展到整个Pareto域，并均匀分布，保持了种群的多样性。3.引入精英策略，扩大采样空间。

2023-09-19 20:10:52 3048

原创蚁群算法（Ant Colony Optimization,ACO）

在自然界中，蚂蚁群体在寻找食物的过程中，无论是蚂蚁与蚂蚁之间的协作还是蚂蚁与环境之间的交互均依赖于一种被称为信息素（Pheromone）的物质实现蚁群的间接通信，从而通过合作发现从蚁穴到食物源的最短路径。其中ρ为信息素挥发量，在τij(t+1)时刻，信息素浓度就是前一时刻原有的信息素浓度（τij(t)）乘上一个（1-挥发量）再加上上一轮新增的信息素。其核心是正反馈的一个过程，最短路径上的信息素多，使得选着此路径的概率就大，但是需要注意的是概率大，不代表一定会选择这条路，因此。（可能是局部最优解）

2023-09-18 19:02:31 1310 1

原创模拟退火算法 Simulated Annealing（SA）学习笔记

那么这个一定概率（p）到底是怎么计算的呢，按照咱们一般人的思维，当然是差距越小，咱们越容易去接受它。差距在函数寻找最优值的时候便体现在了距离上，即 | f(x)-f(xleft) | 也就是说这个概率是与这个距离成反比的，距离越大，接受的概率就越小。所谓模拟退火就是模仿物质退火过程，物体温度高时分子运动剧烈（此时我们的算法接受新解的概率拉高）物体温度逐渐趋向平和时（此时我们算法接受新解更新的概率降低）当左领域或者右领域的适应度值小于本身的适应度值，我们是否应该尝试去以一定的概率接受它来做下一次迭代的初值。

2023-09-17 16:22:00 1290 1

原创粒子群优化算法

粒子群算法，也称粒子群优化算法或鸟群觅食算法，缩写为PSO，是一种新的进化算法。PSO算法属于进化算法中的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，通过适应度来评价解的品质，但是比遗传算法规则更为简单，并没有遗传算法的”交叉“和”变异“操作，它通过追随当前搜索到的最优质来寻找全局最优。这种算法以其容易实现、精度高、收敛快等优点引起重视，并在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。粒子仅有两个属性：速度和位置，速度代表移动的快慢，粒子代表移动的方向。

2023-09-16 18:37:15 105 1

原创遗传算法 day 1 2023.09.13~09.14

遗传算法（Genetic Algorithm, GA）：在求解的过程中,进化算法首先随机生成一个种群,并对种群中的个体进行适应度计算,之后通过选择操作选择出适应度高的个体作为父代个体，然后对其进行交叉和变异等操作并生成一个新的种群(即一组新的近似解),最后通过循环上述过程,不断逼近问题近似最优解。随着遗传算法的进行，解的质量会提高，适应度会增加，一旦找到具有令人满意的适应度值的解，终止遗传算法。为了创建一对新个体，通常将从当前代中选择的双亲样本的部分染色体互换（交叉），以创建代表后代的两个新染色体。

2023-09-14 14:59:01 99 1

m0_62281625的博客