LieeeeeiL的博客

仅供自己学习使用。

对个体序列中的每一个基因按概率变异，变异后的值为按均值为，方差为的高斯分布选取的一个随机数。如果不希望均值发生变化，则应该将设为0。

【代码】geatpy入门案例增强精英保留策略的遗传算法。

理论上MOEA/D会比NSGA2快，但由于python语言的限制，MOEA/D的算法设计在python上的执行效率会大打折扣。如果是纯C/C++或者Java等，MOEA/D的高效率才能够真正展现出来。当然，假如在C/C++或Java中采用细粒度的并行来执行进化，那么MOEA/D的执行效率是远远比不上NSGA2的，这是因为MOEA/D的算法设计天然地不支持细粒度的并行。使用Geatpy时可以更加专注于待优化模型的建立，即在做进化算法的应用时，不用管进化算法的细节，而专注于把待优化模型写成一个自定义问题类。

设定了最大进化代数为50，表示算法将进行50代的进化。同时，还设置了日志记录的频率为每隔一代记录一次日志信息。，其中指定了问题的名称、目标维数、最小最大化标记、决策变量维数、决策变量类型、决策变量的上下界以及目标函数的计算方式。，该函数接受一个决策变量向量作为输入，并计算目标函数值和约束条件的值。这段代码使用了Geatpy库来构建一个遗传算法，并应用于一个特定的优化问题。参数，指定了单目标优化陷入停滞的判断阈值和进化停滞计数器的最大上限值。进行计算，并将结果的平方和作为目标函数值。表示不保存绘图日志。

【代码】NSGA2算法求解双目标优化问题。