多目标算法:
多目标优化问题具有多个相互冲突的目标函数,某一目标求得的最佳方案,不可能同时使得其他目标为最优值,甚至导致退化。多目标优化作为一类复杂的最优化问题,既被用于生产调度、城市运输、网络通信等系统的实时设计,又涉及工程设计、数据挖掘、资本预算等智能规划问题,无论是在理论研究还是工程实践中都具有深远的意义。随着现实世界中问题所呈现的多元化、规模化发展模式,多目标优化问题面临着非线性、多维度、智能性、动态规划等多方面的严峻挑战。
传统的多目标优化方法主要有:加权求和法、约束法、目标规划法、距离函数法以及极大极小法等。这些优化方法大多是采取不同的策略将多目标问题分解为单目标问题,再使用单目标算法完成优化,依赖于先验知识,受限于Pareto前沿的形状。尤其是当多目标问题呈现出非线性、高维度等复杂特性时,传统方法很难确保好的优化效果甚至不可行。
近年来,进化算法将生物信息融入元启发式算法之中,凭借其独特的更新机制,在组合优化和数值优化领域均已取得了很多突破性研究成果。典型的多目标进化算法有:多目标粒子群算法,多目标蝗虫算法,多目标樽海鞘群算法,多目标鲸鱼算法,多目标差分算法等[1]。
机器学习中,分类+回归+时序预测
机器学习其在很多领域都有着很大的作用。下面是机器学习中常用的模型:
废话不多说,直接上代码链接,在公众号算法仓库:后台回复:多目标和机器学习,即可免费获得上面代码
参考文献:【1】多目标粒子群优化算法研究综述.冯茜, 李擎, 全威, 裴轩墨
更多内容在公众号:算法仓库