PlatEMO 用户手册学习笔记

QianMo-WXJ

已于 2024-07-27 16:07:32 修改

阅读量686

点赞数 13

分类专栏：智能优化算法文章标签：学习笔记

于 2024-07-14 11:04:32 首次发布

本文链接：https://blog.csdn.net/wangxiaojie6688/article/details/140341972

版权

智能优化算法专栏收录该内容

21 篇文章 0 订阅

订阅专栏

addpath(fileparts(which(class(obj))));

Matlab的which函数——查找文件路径 用法：
which（‘aaa’）（查找文件名为aaa的文件的路径）
比如输出路径为：E:\ toolbox\ matlab\ myDIYfile\ aaa.m

需要注意：
（1）当要查找的文件路径中，三层及以上的母文件夹名字中有大写字母时，它的输出路径中会将大写字母变成小写字母，比如用which查找ccc的路径，它会输出：E:\ toolbox\ matlab\ mydiyfile\ a\ b\ ccc.m其中文件夹myDIYfile已经变成mydiyfile。
（2）在matlab中，并不区分路径中的大小写字母，比如输入命令 cd E:\ toolbox\ matlab\ mydiyfile\ a\ b 和命令cd E:\ toolbox\ matlab\ myDIYfile\ a\ b都会进入到b这个文件夹中。
（3）但是，当将两个路径作为字符串进行对比时，比如 strcmp (which(‘ccc’)，‘E:\ toolbox\ matlab\ myDIYfile\ a\ b\ ccc.m’)，则结果为false，因为which(‘ccc’)会将大写DIY变成diy，那么用字符串来对比路径就不明智了。

tic 启动秒表计时器

IGD： 反世代距离评价指标(Inverted Generational Distance, IGD) 是一个综合性能评价指标。它主要通过计算每个在真实 Pareto前沿面上的点(个体)到算法获取的个体集合之间的最小距离和，来评价算法的收敛性能和分布性能。值越小，算法的综合性能包括收敛性和分布性能越好。

启发式算法 (Heuristic Algorithms) 是基于直观或经验构造的算法，在可接受的花费 (指计算时间、占用空间等) 下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度不一定事先可以预计。

元启发式算法 (Meta-Heuristic Algorithms) 是启发式算法的改进，通常使用随机搜索技巧，可以应用在非常广泛的问题上，但不能保证效率。

超启发式算法(Hyper-Heuristic Algorithms) 是新近提出的一类解决复杂优化问题的概念模型。该模型主要通过一种高层次启发式策略(High-level Heuristic，简称 HLH)管理和操纵一系列低层次启发式(Low-level Heuristics，简称 LLH)方法以实现在解空间中的寻优。
作为一种有效的搜索方法，超启发式算法可以自动选择、组合或生成多个简单的 LLH 方法以解决复杂的优化问题。
超启发式算法与传统的启发式方法最主要的区别在于它搜索的是启发式算法，而不是问题的解，并通过搜索过程得到的相关信息控制搜索过程。在组合优化领域，超启发式算法被描述为“搜索启发式算法的启发式算法”。给定一个问题实例和一些底层启发式算法集，高层算法就可以在算法搜索过程中，在相应的决策点做出恰当的“指挥”，从而选择并应用最合适的低层启发算法，而选择出来的算法将被直接用于问题的求解。

cell数组的创建

1.cell数组的创建

可以直接通过{}类似于矩阵的直接赋值：a={'winter',123,'coming','哈哈'};

也可以通过cell函数预分配内存，再赋值：a=cell(1,4);a={'winter',123,'coming','哈哈'};

Hypervolume(HV)超体积指标

根据Zitzler等人的说法（2003），Hypervolume指标是唯一已知的一元指标，它可以由其超体积的单个值来评估一个解集的质量，且是唯一已知的符合帕累托支配概念的指标。超体积是评估近似解集的收敛性和多样性的综合指标（Zitzler和Thiele 1999）。因此，给定在n个目标中包含m个点的集合S，解集S的超体积是由S中的至少一个点支配的目标空间的一部分的大小。相对于参考点计算S的超体积，该参考点在每个目标中的比S中的每个点更差（或等于）。如图8所示，超体积值越大，就认为该解集越好。 超体积的一个主要优点（Zitzler和Thiele 1999; Zitzler等人，2003）是它能够以单个数字得到解与最优集合的接近程度，并在某种程度上得到目标空间上解的分布。缺点是计算消耗过大，且参考点选取对准确定有一定的影响。

A practical tutorial on solving optimization problems via PlatEMO

然论文主要在基准测试上研究元启发式算法的性能，但用户很难确定解决特定应用的最有效方法[9]。更严重的是，每个元启发式都有自己的适用范围，误用不仅会导致性能不理想，还会产生错误。如果使用基于分解的多目标元启发式算法[10]来解决单目标优化问题，程序将陷入无限循环。如果使用基于主成分分析的元启发式[11]来解决一个有10000个变量的问题，程序可能会内存不足。如果使用大规模的元启发式[12]来解决一个昂贵的问题，程序可能会在终止前运行几个月。