![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
多目标优化
文章平均质量分 95
一条菜鸟鱼
博客仅旨在分享笔记、记录学习过程,如果能帮到好学的你是我的荣幸。
展开
-
ASC2015MaOP 论文笔记
ASC2015MaOP 论文笔记The paperHighlightsAbstract1 算法框架1.1 主体框架1.2 参考点生成1.2.1 变量说明1.2.2 参考点生成算法1.3 自适应归一化1.3.1 自适应归一化算法1.4 聚类算子1.4.1 聚类算法1.5 排序算子1.5.1 排序算法1.6 选择算子1.6.1 选择算法1.7 总结The paperA clustering-ranking method for many-objective optimizationHighlights原创 2021-11-02 18:22:18 · 242 阅读 · 0 评论 -
MOEA/D 算法详解
1 聚合方法1.1 权重求和法 (Weighted Sum Approach)maximize gws(x/λ)=∑i=1mλifi(x)subjecttox∈Ωmaximize \ \ g^{ws}(x/\lambda) = \sum_{i=1}^m \lambda_if_i(x) \\subject to x \in \Omegamaximize gws(x/λ)=i=1∑mλifi(x)subjecttox∈Ω权重求和法的意义在于, 我原创 2021-10-28 19:33:32 · 5312 阅读 · 2 评论 -
Pareto 问题详解
1 Pareto1.1 Pareto 问题 Pareto最优解,也称为帕累托效率(Pareto efficiency),是指资源分配的一种理想状态,假定固有的一群人和可分配的资源,从一种分配状态到另一种状态的变化中,在没有使任何人境况变坏的前提下,使得至少一个人变得更好。帕累托最优状态就是不可能再有更多的帕累托改进的余地;换句话说,帕累托改进是达到帕累托最优的路径和方法。 帕累托最优是公平与效率的“理想王国”。 Pareto解 又称非支配解或不受支配解(nondominated solutio原创 2021-10-14 17:17:58 · 11562 阅读 · 6 评论 -
遗传算法入门
2 遗传算法2.1 理论引入2.1.1 基因和染色体1) 概述 遗传算法中每一条染色体,对应着遗传算法的一个解决方案,一般我们用适应性函数(fitness function)来衡量这个解决方案的优劣。所以从一个基因组到其解的适应度形成一个映射。可以把遗传算法的过程看作是一个在多元函数里面求最优解的过程。 可以这样想象,这个多维曲面里面有数不清的“山峰”,而这些山峰所对应的就是局部最优解。而其中也会有一个“山峰”的海拔最高的,那么这个就是全局最优解。而遗传算法的任务就是尽量爬到最高峰,而不是陷落原创 2021-10-14 17:11:04 · 4268 阅读 · 0 评论 -
NSGA-II 算法详解
3 NSGA-II3.1 算法流程确定种群大小 n,交叉概率 t,迭代次数 g随机产生 n 个个体,它们整体视为种群 Pfor i = 1 to g P = ∅ for j = 1 to n 产生一个 [0,1] 的随机数 a if (a<t) 从 P 中随机选出两个个体作为父母,交叉产生一 个新的个体并放入 P’ 中 els原创 2021-10-14 17:02:44 · 37979 阅读 · 16 评论