![](https://img-blog.csdnimg.cn/20210111205334598.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
多目标优化
文章平均质量分 56
记录学习中遇到的多目标优化算法的原理和流程,加强对算法的理解和应用
打呼噜的星.
Take Your Time.
展开
-
判断两个解的支配关系
在多目标优化中,需要比较两个解的支配关系。下面是JMetal中的代码,非常简洁方便。思想 :只需注意判断解中某个目标不相等的情况 private int dominanceTest(S solution1, S solution2) { int bestIsOne = 0 ; int bestIsTwo = 0 ; int result ; for (int i = 0; i < solution1.getNumberOfObjectives(); i++) {原创 2021-06-20 10:14:13 · 530 阅读 · 0 评论 -
蜻蜓算法(DA)
蜻蜓群的目的:捕食(静态群)和迁移(动态群)五种行为:1.Separation:个体之间避免碰撞Si=−∑j=1NX−XjS_i=-\sum_{j=1}^NX-X_jSi=−∑j=1NX−XjX表示当前个体,Xj是第j个邻近个体的位置。N为邻近个体数量X表示当前个体,X_j是第j个邻近个体的位置。 N为邻近个体数量X表示当前个体,Xj是第j个邻近个体的位置。N为邻近个体数量2.Alignment:与邻近个体速度保持一致Ai=∑j=1NVjNA_i=\frac{\sum_{j=1}^NV_原创 2021-06-09 21:40:02 · 2379 阅读 · 0 评论 -
多目标pareto最优解集构造方法
进化算法每一代都要构造非支配解集,因此构造非支配解集的效率直接影响算法的运行效率。构造非支配解集方法是一项重要的演技内容。下面为几种常见的构造pareto解集的方法。Deb非支配排序方法进化群体:P 构造集: P’。初始,将P中的第一个个体放入P’。依次取出P中的个体p放入P’中, 同时当前取出的p与P’中的所有个体进行比较,删除P’中被p支配的个体,若p被P’中个体支配,则将p从P’中删除。伪代码:P'=find_nondom_front(P);P'={1};for each x in P原创 2021-06-04 20:52:54 · 2105 阅读 · 0 评论 -
NFL定理(No Free Lunch)
NFL定理–理解原创 2021-03-12 17:00:40 · 269 阅读 · 0 评论 -
多目标优化算法之SPEA2
Strength Pareto Evolutionary Algorithm (SPEA)算法步骤:Step1:初始化种群P(大小为N)和空的外部储备集P‘(大小为N’)Step2:将P中的非支配解复制到P’Sep3:如果P’大小超过N’,通过聚类的方法移除Step4:计算P和P’中的所有个体适应值Step5:从P+P’中进行选择操作,直到交配池填满Step6:交配池中个体进行变异和交叉操作Step7:是否达到最大迭代次数,if 停止, else Step2.关于适应值分配对于P’来说原创 2021-01-14 20:10:26 · 8086 阅读 · 3 评论 -
遗传算法中的选择操作
锦标赛选择(Tournament Selection)每次从种群中取一定数量(n)的个体(放回抽样),选择其中适应度较好的进入子代种群。重复该操作直到种群规模到和原来的种群规模一样。几元锦标赛就代表一次性从总体中抽取几个个体,然后从中选择最优的个体保留到下一代种群。step1、确定每次选择的个体数量N。(二元锦标赛选择即选择2个个体)step2、 从种群中随机选择N个个体(每个个体被选择的概率相同) ,根据每个个体的适应度值,选择其中适应度值最好的个体进入下一代种群。step3、 重复步骤(2)多原创 2021-01-12 10:23:40 · 7159 阅读 · 0 评论 -
小生境
小生镜(Niches):来源生物学概念,一般生物在进化过程中与自己的同类或者物种相似的物种相聚在一起,并在同类中繁衍后代。有共同特性的组织称为“物种”,物种赖以生存的环境为“小生境”。引用在多目标优化中指,当两个个体相似度小于预定值(小生境距离),惩罚其中较小的个体。Cavichio 在1970年提出了基于预选择机制的选择策略,其基本做法是:当新产生的子代个体的适应度超过其父代个体的适应度时,所产生的子代才能代替其父代而遗传到下一代群体中去,否则父代个体仍保留在下一代群体中。由于子代个体和父代个体之间编码原创 2021-01-11 21:25:59 · 809 阅读 · 0 评论 -
显著性检验
显著性检验显著性检验是“统计假设检验”的一种。用来检测科学实验中实验组与对照组之间是否有差异以及差异是否显著的方法。统计假设实验:事先对总体(随机变量)的参数或总体分布形式做出一个假设,然后利用样本信息来判断这个假设是否合理。前提条件是“统计假设”。即要对科研数据做一个假设,然后用检验来检查假设对不对。一般的,把要检验的假设称为原假设,记为H0,与之相反的假设记为H1。第一类错误:原假设为真,检验的结论要求放弃原假设。(通常把第一类错误出现的概率记为α\alphaα)第二类错误:原假设为假,检验结原创 2020-12-10 17:30:57 · 2072 阅读 · 0 评论 -
较新颖的智能优化算法
32个较新颖的智能优化算法序号方法参考文献年份1人群搜索算法Dai, C., Y. Zhu, and W. Chen. Seeker optimization algorithm. in International Conference on Computational and Information Science. 2006. Springer.20062人工蜂群算法Karaboga, D. and B.J.J.o.g.o. Basturk, A powerfu原创 2020-12-09 21:14:39 · 12236 阅读 · 3 评论 -
多目标灰狼优化算法(MGWO)
GWO简介Mirjalili 等人于2014年提出来的一种群智能优化算法。该算法受到了灰狼捕食猎物活动的启发而开发的一种优化搜索方法,它具有较强的收敛性能、参数少、易实现等特点。社会等级分层:初始化种群,将适应度最好的三个个体标记为 α、β、σ\alpha、\beta、\sigmaα、β、σ,剩下的狼群为ω\omegaω,GWO优化过程中主要由每代种群中三个最好的解来指导完成。位置更新计算左边图中表示二维的向量及可能的区域,可以看出灰狼的位置根据中间猎物的位置(X∗,Y∗)(X^*原创 2020-11-22 21:12:48 · 7604 阅读 · 5 评论