- 博客(38)
- 收藏
- 关注
RSS订阅原创 CMA-ES：从搜索分布自适应到协方差矩阵学习
CMA-ES 是连续黑箱优化领域中非常重要的一类进化策略。它的核心不是设计复杂的交叉或变异算子，而是通过优秀解不断学习一个自适应高斯搜索分布。mσCmσC搜索中心在哪里；搜索范围应该多大；搜索方向和变量相关性应该是什么。不依赖梯度信息；能够处理非凸、多峰、病态连续优化问题；能够学习变量相关性；对坐标旋转和函数值尺度变化具有较好鲁棒性；可以作为其他进化算法中的局部搜索或分布学习模块。不过，标准 CMA-ES 在高维问题上计算成本较高，对离散问题也不直接适用。
2026-05-12 19:31:42
417
原创 为什么需要研究带局部 Pareto 前沿的多模态多目标优化？
不同的决策变量组合，可能对应非常相似甚至相同的目标表现。也就是说，在目标空间中看起来差不多的两个解，在决策空间中可能完全不同。举个直观的例子。假设我们要设计一种机械结构，目标是降低重量并提高强度。可能有两种设计方案：方案 A：采用较薄的外壳，但使用高强度材料；方案 B：采用普通材料，但通过结构加固提高强度。这两个方案在目标空间中可能都表现为“重量较低、强度较高”，甚至目标值非常接近。但它们在决策空间中完全不同：材料选择、结构形状、制造工艺都不一样。
2026-04-27 16:18:01
377
原创 深入理解多目标优化实数编码：SBX交叉与多项式变异(PM)原理解析与MATLAB可视化
为什么？因为实际工程问题中的决策变量往往是连续的实数（比如长度、重量、温度）。和。
2026-04-09 14:22:04
474
原创 基于粒子群优化（PSO）的车辆路径问题带时间窗（VRPTW）
带时间窗的车辆路径问题可以描述如下：地理位置；需求量；服务时间窗；服务时长。系统中有若干辆同质或异质配送车辆，每辆车从配送中心出发，在完成若干客户配送任务后返回配送中心。求解目标是在满足所有约束的前提下，构造若干条车辆路径，使整体运输成本最小。V012nV012n表示所有节点集合，其中000表示配送中心；N12nN12n表示客户集合；K12mK12m表示车辆集合；dijd_{ij}dij表示节点iii到节点jjj。
2026-04-08 10:01:18
515
原创 遗传算法（GA）求解带容量限制的车辆路径规划问题（CVRP）（附MATLAB）
在动手写代码之前，必须先将现实问题抽象为严谨的数学模型。假设有一个配送中心（Depot，编号为000）和nnn个客户点（编号为12n12...n图的定义：完全图GVEG=(V,E)GVE，其中顶点集V012nV012...n。距离矩阵：节点iii到节点jjj的距离为DijD_{ij}Dij。客户需求：每个客户iii有确定的货物需求量qiq_iqi。车辆属性：车队中有KKK辆相同的车，每辆车的最大载重量为QQQ。
2026-04-08 09:29:04
496
原创 PlatEMO 深度实战解析——从底层架构到 CMOPs 与 MMO 算法魔改
对于从事进化计算（Evolutionary Computation）和多目标优化（MOO）研究的科研人员来说，BIMK 团队开发的 PlatEMO 绝对是目前生态最好、使用最广泛的 MATLAB 平台。然而，大多数初学者往往只停留在“点点 GUI 界面跑跑基准测试”的阶段。当你的研究深入到，或者开始啃**多模态多目标优化（MMO）**这块硬骨头，甚至需要引入复杂的决策空间拓扑结构时，官方文档就显得有些不够用了。今天这篇文章，我们将彻底拆解 PlatEMO 的底层运行逻辑。
2026-04-07 17:38:20
454
原创 多目标优化中的常用评价指标：定义、公式、区别
摘要 本文系统介绍了多目标优化(MOO)中的常用评价指标。多目标优化算法输出一组近似Pareto前沿解，评价需同时考虑收敛性、覆盖性、分布性和决策空间保持能力。主要指标包括： GD：衡量解集到参考前沿的平均距离，反映收敛性，但对覆盖不足不敏感； IGD：反方向衡量参考点到解集的距离，兼顾收敛性和覆盖性； IGD+：改进IGD的距离定义，更符合Pareto关系； HV：计算解集支配区域的超体积，综合性强但计算成本高； Spread/Δ：评估解集的分布范围和均匀性。 这些指标各有侧重，实际研究中常组合使用。指标
2026-04-06 11:58:34
758
原创 进化计算中的平行坐标：一张图看懂多目标优化结果
平行坐标图是多目标优化问题中常用的高维数据可视化工具。文章系统介绍了平行坐标图的概念、作用及使用方法：它将多个目标表示为平行坐标轴，用折线连接各目标值来代表一个解。这种可视化方式能直观展示解集的覆盖范围、分布均匀性、目标间的冲突关系以及特定解的权衡特点，特别适合目标数超过3的情况。虽然存在解集过多时视觉混乱、坐标轴顺序影响观察等缺点，但平行坐标图仍是分析高维多目标优化问题的重要工具，可用于展示最终解集、比较算法结果、分析目标偏向性等场景，为定量指标提供直观补充。
2026-03-28 13:27:09
442
原创 AI 手势识别系统：踩坑与实现全记录 (PyTorch + MediaPipe)
本文介绍了基于MediaPipe和PyTorch的手势识别系统开发流程。关键点包括： 环境配置：使用Python 3.9+MediaPipe 0.10.9+Protobuf 3.20.3的黄金组合解决兼容性问题 数据采集：通过MediaPipe提取手部21个关键点坐标并保存为CSV格式 模型设计：采用三层全连接神经网络(输入层42维，隐藏层64/32节点) 训练优化：使用Adam优化器和交叉熵损失函数，1000个epoch仅需数秒(GPU) 实时推理：通过OpenCV调用摄像头，结合训练好的模型实现实时手势
2026-01-23 12:39:35
1032
原创 Matlab 开启并行池
版本：Matlab R2021b在主页打开 Parallel进入Parallel Preferences图中 红框16 的位置是核心数，可以查看自己电脑CPU核心数，写对应的值，也可以少写一些，但是不要超过自己电脑的核心数，会降低性能点击 Cluster Profile Manager点击Validate 一般来说会正确运行并且出现5个绿色√这样就结束了；但是如果报错了，那么我们开始排查，首先在 MATLAB 命令窗口中，运行matlabroot命令。matlabroot。
2025-10-29 13:36:04
709
原创 Multimodal Multiobjective Optimization 多模态多目标优化
在优化问题中，“模态”指的是解的分布形态。一个函数的“峰”或“谷”就是一个模态。指的是一个目标函数存在多个相同或相近的最优解。这些解在中是截然不同的，但在中却对应着相同（或非常接近）的目标函数值。在一个多目标优化问题中，帕累托前沿 (Pareto Front) 上的（代表一种特定的目标权衡），可能对应着决策空间中。
2025-09-16 22:17:44
1258
原创 带拐点的多目标优化问题
什么是拐点？拐点（Knee Point 或 Knee Solution）是多目标优化问题 Pareto 最优前沿（Pareto Optimal Front）上的一个特殊区域或解。。：拐点通常是决策者在没有明确偏好时最倾向于选择的解。因为它代表了一种“性价比”最高的权衡点。从这个点出发，无论想让哪个目标变得更好一点点，付出的代价（其他目标的恶化）都非常大，因此移动的吸引力不大。：拐点在几何上通常表现为 Pareto 前沿上曲率最大或“最突出”的部分。图1就清晰地展示了这一点，其中的。
2025-09-15 17:42:17
1185
原创 两阶段算法解决约束多目标问题
我们在第一阶段算法 引导种群快速穿过广大的不可行区域，避免因过早地陷入局部可行域，第二阶段引导种群有效地收敛到全局的、满足约束的帕累托前沿，这种两阶段的方式，可以有效的解决大片不可行区域的阻碍；: 该技术采用一种约束违反的容忍机制。：当一个新产生的、但不可行的解在目标上优于当前的可行解时，如果算法接受了这个新解，种群可能会被“诱导”至无约束帕累托前沿（PF），而忽略了约束的存在。: 由于可行解通常比不可行解拥有更高的优先级，采用CDP的算法很容易被困在局部的最优可行域中，难以跳出以探索更广阔的空间。
2025-09-04 15:42:34
1636
1
原创 一种基于双种群的协同进化算法求解有容量限制的电动车辆路径问题
A Dual-Population-Based Co-Evolutionary Algorithm for Capacitated Electric Vehicle Routing Problems》由Chao Wang等人撰写。文章提出了一种双种群协同进化算法（DPCA），用于解决有容量限制的电动车辆路径问题（CEVRP），通过双种群协同优化路径和充电方案，有效提升了算法性能。
2025-02-17 16:52:32
1113
1
原创 VRPTW 问题与新兴技术结合的创新方向及具体案例
创新方向关键技术典型应用场景潜在优势动态自适应算法强化学习、LSTM 预测外卖配送、应急物流实时响应动态变化，减少超时率多目标分层优化目标分解、动态权重绿色物流、共享出行平衡冲突目标，提供多样化解决方案混合智能算法GNN 生成解、策略梯度电商大促、冷链物流加速收敛，提升解的质量分布式协同优化Spark 分治、多智能体协商城市配送、偏远地区物流支持超大规模问题求解，降低计算时间约束驱动优化弹性时间窗、动态惩罚函数社区团购、药品配送提高可行性，增强模型实用性。
2025-02-14 14:18:56
2002
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
2919
1
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
2383
2
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
882
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
8355
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
1487
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
432
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
1252
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
567
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
370
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
1914
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
257
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
1292
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
898
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
1920
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
6578
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
1631
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
1482
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
1187
3
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
234
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人