MOEAD原理及Python实现、MOEAD实现、基于分解的多目标进化、 切比雪夫方法-（python完整代码）

🚀 优质资源分享 🚀

学习路线指引（点击解锁）	知识定位	人群定位
🧡 Python实战微信订餐小程序 🧡	进阶级	本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。
💛Python量化交易实战💛	入门级	手把手带你打造一个易扩展、更安全、效率更高的量化交易系统

确定某点附近的点

答：每个解对应的是一组权重，即子问题，红点附近的四个点，也就是它的邻居怎么确定呢？由权重来确定，算法初始化阶段就确定了每个权重对应的邻居，也就是每个子问题的邻居子问题。权重的邻居通过欧式距离来判断。取最近的几个。

取均匀分布向量

https://blog.csdn.net/Twobox/p/16408751.html

MOEAD实现

算法理解与流程

https://www.zhihu.com/question/263555181?sort=created其中两个回答都挺好的

1. 输入N m
# N表示取点密度 m表示问题维度
1.1 输入 T
# 表示取最近的T个作为邻居
2. 生成均匀分布权重向量
2.1 计算每个权重向量之间的欧拉距离
3. 权重向量个数即为：初始种群个数
4. 初始化种群，每个个体一一对应权重
4.1 更具权重之间距离，取前T个作为邻居person
5. EP = 空
# 维护成最优前沿
6. 计算最初的全局最优Z
# 把每个带入f1 f2中，取最小值 z1 z2
7. 开始循环N代
 7.1对于每个个体，在领域中选取2个个体进行交叉变异，获得2个新个体
 7.1.1更新全局解z
 7.2在领域中随机选择2个个体，用新个与旧个体进行对比
 # 新个体带入子目标问题，直接对比值即可
 7.3如果更优，则替换旧个体dna
 7.4更新EP
 # 如果有别接收的新解，将新解与EP每一个进行比较，删除被新解支配的，如果新解没有被旧解支配，那么加入EP

代码实现设计

# 分析
需要维护的数据结构：
 某个体最近的T位邻居： 可以考虑采用对象列表即可
 均匀分布的权重向量：一个二维ndarray数组即可
 权重向量与个体对应关系：个体对象，直接保存权重向量数组
 权重向量之间的距离矩阵：开局初始化，不变的
 EP list,里面的个体是对象的引用
 z list
 目标函数集合，F list domain list
 
# 接口设计
class Person
 attribute:
 dns：一维ndarray
 weight\_vector: 一维ndarray
 neighbor: list
 o\_func:Objective\_Function 目标函数
 function:
 mutation
 cross\_get\_two\_new\_dna：返回2段新dna
 compare#与子代比较
 accept\_new\_dna
 choice\_two\_person:p1,p2
​
class Moead\_Util
 attribute:
 N
 M
 T:
 o\_func：Objective\_Function
 pm:变异概率
 
 EP:[dna1,dna2,..]
 weight\_vectors:二维数组
 Euler\_distance:二维数组
 pip\_size
 Z:[] # 这里面元素为一维ndarray数组，即dna，即解
 
 function:
 init\_mean\_vector:二维数组
 init\_Euler\_distance:二维数组
 init\_population:[]
 init\_Z:一维属猪
 
 update\_ep
 update\_Z

class Objective\_Function:
 attribute:
 F:[]
 domain:[[0，1],[],[]]
 function:
 get\_one\_function:Objective\_Function

Person.py

 1 import numpy as np
 2 
 3 
 4 class Person:
 5     def \_\_init\_\_(self, dna):
 6         self.dna = dna
 7         self.weight\_vector =