多目标优化
文章平均质量分 67
kininee
这个作者很懒,什么都没留下…
展开
-
自动化学报投稿经验分享
10天太短了,给编辑部发邮件申请10天延期,共20天修改,3.9卡点提交。3位审稿人共给出20多条意见,包括理论详细说明、实验补充、语言润色等。总结:投中文期刊并且不了解latex,建议用word模板写作。两位审稿人给出了一些意见,没有第一次多。2024.4.18 返修 20天。2024.2.8 返修,10天。2024.3.21 提交修改稿。2024.5.30 录用,撒花。2024.5.6 提交修改稿。2023.11.27 投稿。原创 2024-06-03 15:09:07 · 81 阅读 · 0 评论 -
moead/dqn论文分享pre
可以观察到,当邻域大小大于15时,获得的IGD值非常相似,这意味着MOEA/DDQN的性能对相对较大的邻域大小不敏感,实验中将邻域大小设置为20是合理的。文中就提出了提出一种基于强化学习的算子选择方法: 将决策变量视为状态,将候选算子视为行动,将适应度改进视为奖励,将种群进化视为环境,agent使用深度神经网络学习策略,估计给定状态下每个行动的Q值。主要用到两种策略,信用分配策略和算子选择策略,其中前者根据算子最近生成的子代解案带来的适应度改进来奖励算子,后者根据所有算子的奖励来决定选择下一个算子。原创 2024-05-22 17:05:11 · 833 阅读 · 0 评论 -
platemo(1)
mat文件是matlab的数据存储的标准格式。mat文件是标准的二进制文件,还可以ASCII码形式保存和加载,在MATLAB中打开显示类似于单行EXCEL表格。mlx实时脚本,输出结构在文本中显示,类似python Jupyter。命令行输入ver可以查询安装的工具箱。原创 2024-05-22 16:52:40 · 311 阅读 · 0 评论 -
论文笔记2
然后,我们总结了基准测试问题,研究了不同约束处理技术(CHT)和不同算法的性能,然后研究了CMOEA的一些新兴和有代表性的应用。与他们不同的是,这项工作提出了一种基于目标空间的种群生成方法,以在目标空间中获得新的个体,然后将其映射到决策变量空间并合成新的解决方案。它引入了三种新的目标向量生成方法,并使用线性映射方法将目标空间和决策空间紧密连接起来,共同确定新的生成解决方案。这项工作提出了一个通用的多任务处理框架,包括原始CMOP的主任务和基于辅助问题的不同策略的任意数量的辅助任务。原创 2024-05-22 16:49:01 · 357 阅读 · 1 评论 -
论文笔记1
在48个具有多达10个目标的基准测试问题和一个真实世界的多目标机器人控制问题上的实验充分证明了我们提出的算法在寻找SOI方面的有效性。提出了一种快速有效的方法,可以在目标空间中生成新的个体,而不是像传统进化算法中那样在决策变量空间中生成,然后将它们映射到决策变量空间(简称决策空间)。本质上,多目标优化的最终目标是帮助决策者(DM)识别感兴趣的解决方案(SOI),在多个冲突的标准之间实现令人满意的权衡。总的来说,种群的质量是(中值的排序结果)+(IQR的排序结果),然后再选出通信对,也就是第一和第一差…原创 2024-05-22 16:48:36 · 417 阅读 · 0 评论 -
基于强化学习的多模态优化问题解空间聚类进化算法
因此,存档可以反映子空间中的搜索历史。例如,如果五个子空间被聚类为:Go1=(Sub1,Sub2,Sub3),Go2=(Sub4,Sub5),并且基于目标的动作集Ao被表示为:Ao=(Go1,Go2)。为了权衡在具有高目标价值的子空间中的开发与对有前景的吸引盆地的探索,RLEA-SSC结合了两种类型的奖励:基于目标的奖励和基于不确定性的奖励。最重要的是,几乎所有的奖励都是根据其后代的健康值或提高的可能性来设置的,因此,行动的选择范围很快就会收敛到一个小范围。此外,人口的分布是动态变化的,具有很大的随机性。原创 2023-02-28 10:28:44 · 1044 阅读 · 0 评论 -
关于多种群并行遗传算法的整理
MPMGA通过对不同的小群体赋予不同的函数,成功地使普通群体中的优质个体上升为优质群体,使优质群体中的劣等个体下降为普通群体,并对不同群体中的个体进行随机交换。在评估了不同个体的适应度后,根据适应度,我们可以完成个体在不同群体之间的上升、下沉、交流等迁移操作。结合并行计算和多种群进化思想, 提出 了“带环多种群模型”, 并构造了一种自适应的多种群并行遗传算法。通过对TSP问题测试集的仿真实验比较,证明了基于多种群精英选择策略的自适应遗传算法具有较好的全局优化能力,是解决路径优化问题的有效方法。原创 2023-02-28 10:29:41 · 516 阅读 · 0 评论 -
jMetal学习笔记(三)-NSGAii实例研究
强烈建议先看看笔记二。原创 2023-02-28 10:27:40 · 505 阅读 · 0 评论 -
IBEA论文解读
step2: 适应度计算,根据一下公式计算P里个体的适应度,例如x1(k为比例缩放因子,参数)step6: 用交叉变异作用在p’上,p=p’+p,m=m+1,转step2。step3: 对每一代P,执行如下运算(缩减),直到种群大小为α。step1: 产生初始种群P,种群大小为α,当前迭代此时m=0。的形式定义最优目标,然后在选择过程中直接使用这个指标。约定:α表示种群大小,N表示最大迭代次数,通常是如何能整合到多目标搜索中的。step5: p’ 为p 的复制,左边的图是对应加法ε~+指标。原创 2023-02-28 10:24:31 · 355 阅读 · 0 评论 -
MOEAD算法理解
外部种群(EP),用来存储目前算法搜索到的最优解。计算任意两个权重之间的欧式距离,这是论文对相邻的解释。原创 2023-02-27 11:12:22 · 500 阅读 · 0 评论 -
基于深度强化学习的进化多目标优化自适应算子选择
进化算法(EA)已经成为多目标优化的最有效技术之一,其中已经开发了许多变异算子来处理具有各种困难的问题。虽然大多数EA始终使用固定的运算符,但 为新问题确定最佳EA 是一个劳动密集型过程。因此,最近的一些研究致力于在搜索过程中自适应选择最佳算子。为了解决操作算子选择中的探索与开发困境,本文提出了一种基于强化学习的新算子选择方法。在该方法中,决策变量被视为状态,候选算子被视为动作。通过使用深度神经网络学习估计给定状态下每个动作的的策略,所提出的方法可以为每个父代确定最大化其累积改进的最佳算子。原创 2022-11-09 20:41:45 · 806 阅读 · 0 评论 -
多种群协同差分进化多目标优化
多种群协同差分进化多目标优化摘要提出了一种用于多目标优化的多种群协同差分进化算法。对于一个M目标优化问题,该算法有M个单目标优化子种群和一个存档种群。将自适应DE应用于每个子种群,以优化多目标优化问题(MOP)的相应目标。存档填充还通过自适应DE进行优化。存档填充不仅用于维护迄今为止发现的所有非主导解决方案,还用于指导每个子填充沿整个Pareto前沿搜索。这些(M+1)人群通过使用自适应DE合作优化MOP的所有目标。原创 2022-09-25 18:02:53 · 1952 阅读 · 0 评论 -
CMPSO论文翻译解读
传统的多目标进化算法(MOEA)在求解多目标优化问题(MOPs)时将多个目标作为一个整体考虑。然而,这种考虑可能会导致难以为个体分配适合度,因为不同的目标往往相互冲突。。为了避免这一困难,本文提出了一种新的协同进化技术,称为多目标多种群(MPMO)。MPMO的新颖之处在于,它提供了一种简单而直接的方法**,通过让每个群体只对应一个目标来求解MOP**。这样,可以解决适应度分配问题,因为每个群体中的个体适应度可以由相应的目标分配。MPMO是一种通用技术,每个群体都可以使用现有的优化算法。原创 2022-09-17 17:02:25 · 338 阅读 · 0 评论