- 博客(7)
- 收藏
- 关注
RSS订阅原创 读论文|| An Evolutionary Many-Objective Optimization Algorithm Using Reference-point Based Non-dominate
摘要：我们已经开发了使用进化优化方法的多目标优化算法，并在涉及主要两个和三个目标的各种实际问题上展示了它们的优势。现在，对于处理具有四个或更多目标的优化问题，越来越需要开发进化多目标优化（EMO）算法。本文中，我们认识到一些最近的努力，并讨论了开发潜在的用于解决多目标优化问题的 EMO 算法的一些可行方向。之后，我们提出了一种基于参考点的多目标NSGA-II算法（我们将其称为NSGA-III），该算法强调群体成员既非支配又接近一组提供的参考点。提出的NSGA-III算法被应用于具有两个到15个目标的多目标测
2023-11-17 16:32:25
236
原创 读论文|| 基准多目标优化问题的帕累托前沿的采样参考点
为了填补这一空白，本文首先详细介绍了三种在单位单纯形上采样参考点的常用方法，然后介绍了几种在不同类型的PF上采样参考点的方法。具体而言，我们可以找到满足a，b ∈ {0, 0.2, . . . , 1}和a ≤ b的所有a和b的组合，然后令s1 = a - 0，s2 = b - a，s3 = 1 - b。然而，在各种Pareto前沿上采样一组均匀分布的参考点并不是一件容易的任务，并且目前对参考点采样方法的研究工作很少[10]，[11]。值得注意的是，通过提出的抽样方法获得的参考点并不完全均匀。
2023-11-16 19:45:11
696
1
原创 读论文||一种用于进化多目标优化的非支配排序的有效方法
摘要：进化算法已被证明在解决多目标优化问题方面非常强大，其中非支配排序是一种广泛采用的选择技术，然而，这种技术在计算上可能非常昂贵，特别是当种群中个体数量变大时。这主要是因为在大多数现有的非支配排序算法中，一个解决方案需要与所有其他解决方案进行比较，然后才能被分配到一个前沿。在这项工作中，我们提出了一种新颖的计算效率高的非支配排序方法，称为高效非支配排序（ENS）。在ENS中，一个待分配到前沿的解决方案只需与已经被分配到前沿的解决方案进行比较，从而避免了许多不必要的支配比较。基于这种新方法，我们提出了两种
2023-11-14 19:46:16
252
原创 论文阅读|《基于改进模因算法的考虑工人安排的分布式灵活作业车间调度问题》
DFJSPW中的五个决策将被确定，即：（a）将工作分配给工厂，（b）将工人分配给工厂，（c）操作顺序，（d）为每个操作选择一台机器，以及（e）为安排的机器选择一名工人。JN段上的突变是通过在工厂中添加一个作业最少的作业并减少工厂中作业最多的作业来实现的，例如图2的P1中的位置[9,10]。例如，在图5（b）中，WS片段上的突变是交换P1中的两个随机基因[2,4]，WN片段上的突变是在P1中的位置[5,6]上进行的。参考 OS 层的原理，WS 层分为[3，1，2，4，2， 2]和 NW 段[2，2]。
2023-10-03 17:11:41
274
原创 机器学习算法之K近邻（KNN）
KNN是机器学习中最基础也会是经典的算法，其思想用我们一句俗语就是“人以群分，物以类聚”，即一个样本在特征空间中与一类别中k个最相似，则认为这个样本就属于这个类别。
2022-10-20 19:00:43
1169
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人