展开

关键词

matlab之NSGA-Ⅱ【含源代码】

问题 当问题的函数为两个或两个以上时,该问题就是。 不同于单问题,问题没有单独的解能够同时所有,也就是函数之间存在着冲突关系,其最解通常是一系列解。 问题的解决办有两类:一种是通过加权因子等方转换成单问题,这种方缺点明显;现在更地是采用基于Pareto最解的方。 2. Pareto最解 Pareto最解是指:一个解的中,其中任何一个都无在改进同时保证不会使其他函数恶。 而基于Pareto最解的方就是找到这个Pareto前沿。 3. NSGA-Ⅱ NSGA-Ⅱ是基于遗传,引入快速非支配排序方、拥挤度计和精英策略的

1.5K40

论文研读-基于变量分类的动态

Abstract 前许动态DMOEAS主要是将样性引入或预测方与传统的相结合来解决动态问题DMOPS。其中种群的样性和的收敛性的平衡十分重要。 本文提出了基于决策变量分类的动态DMOEA-DCV DMOEA-DCV将在静态阶段将决策变量分成两到三个不同的组,并且在相应阶段分别进行改变。 最后在33个DMOP benchmark上和先进的DMOEA进行了比较,取得了更异的结果。 Introduction DMOPs就是解决随时间变问题。 总结:预测的方提高了的收敛效率 本文通过结合样性引入和基于快速预测的方来利用两者的点,提出了一种增强的变响应策略。 Woldesenbet和Yen [51]通过对空间变的平均敏感度来区分决策变量,并以此为基础来重新安置个体。该方对于动态单问题效果很好,但是不适用于DMOP。

48441
  • 广告
    关闭

    什么是世界上最好的编程语言?丨云托管征文活动

    代金券、腾讯视频VIP、QQ音乐VIP、QB、公仔等奖励等你来拿!

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    【论文研读】基于对偶种群的约束

    基于对偶种群的约束 A Dual-Population-Based Evolutionary Algorithm for Constrained Multiobjective Optimization 摘要 约束问题(CMOPs)的主要挑战是适当地平衡收敛性、样性和可行性。它们的不平衡很容易导致约束(CMOEA)无收敛到具有种可行解的帕累托最前沿。 与六种最先进的CMOEA的比较表明,c-DPEA在大数测试问题上明显于或可与竞争者相媲美。 关键词:协同进对偶种群,约束,收敛性,样性,可行性。 [15];5)基于的方[16];6)混合方[17]。 尽管它们的性能很好,但它们中的大数不能直接应用于 CMPOP,因为这些研究主要集中在复杂问题的无约束和/或全局(单。为了将它们扩展到CMOP领域,提出了一些

    9430

    论文研读-基于决策变量聚类的大规模

    关键词 聚类,进,大规模,超,非支配排序,树 Introduction 问题(MaOP)是指涉及三个以上同时要的冲突的问题,这些问题广泛存在于实际应用中,例如工程设计 一般而言,MaOPs不能通过大数旨在解决通常只涉及2-3个[5]-[9]的传统问题(MOP)的(MOEA)来解决。 在超中,候选解会稀疏的分布在高维空间这会使得传统的样性管理方失效。 (此类的一些代表性方是基于指的进[27],基于S度量选择的进[28]和基于超体积(HV)的进[29]。) 基于分解 基于分解的是将一个超问题分解为一系列简单的子问题并且以协作的方式解决他们。

    69860

    【论文研读】基于对偶种群的约束-补充材料

    基于对偶种群的约束-补充材料 Supplementary File of “A Dual-Population based Evolutionary Algorithm for Constrained Multi-Objective Optimization 最近我在学习约束问题的论文,其中由明博士和张教授发表在TEVC上的c-DPEA非常不错~ 这是正文的补充材料,之所以也想进行研读,是因为其中的有些实验内容能给我们带来一些思考 因此设计了两个对比Alg-saPF-1,Alg-saPF-2,这两种分别使用文献[5]和[6]中的罚函数。 具体而言,解 x 的第 k 维的修正函数值计如下: 7. 为了可视结果,我们描绘了由C-DPEA和一些代表性CMOPS上获得的对等获得的最终解决方案,如图17-30所示 9.REFERENCES [1] E. Zitzler, M.

    5230

    的特征为:一般情况下,问题的各个子之间是相互矛盾的(一个子的改善可能会引起另几个子性能的降低),很难使得个子同时达到最值,只能在之间进行折中处理,使得各个子都尽可能达到最解 ,从数学角度可以做如下描述: No.1 与单具有本质区别,主要体现于问题的解并非唯一,而是存在一组由众Pareto最解组成的集合,具体如下图中蓝色曲线所示 其中,wi为对应函数的权重值,该种方问题转换为单问题,简了问题的难度,然而该方具有相应的局限性,具体为: 1、权值难以确定; 2、各个之间量纲的不统一,可能会造成单问题鲁棒性差 ,采用过程中出现收敛性困难等问题; 3、问题的帕累托解集包含更有效信息。 No.2 程序代码 NSGA-Ⅱ是前流行的遗传之一,它降低了非劣排序遗传的复杂性,具有运行速度快,解集的收敛性好的点,成为其他性能的基准。

    12310

    matlab之海洋捕食者

    (图片来源于参考资料截图) 海洋捕食者(Marine Predators Algorithm, MPA)是Afshin Faramarzi等人于2020年提出的一种新型元启发式。 该是受海洋生物中捕食者和猎物的行为启发,在该中,捕食者和猎物均被视为搜索个体,捕食者会搜索猎物.同时猎物会寻找食物,主要以下特点和规则: 1)海洋捕食者对猎物丰富区域采取莱维飞行(Levy)策略 一、MAP的实现流程 根据以上特点,MPA的主要流程可以分为以下几步: 1)初始种群。初始种群可以通过随机初始或者通过混沌映射的方式来进行种群初始。这里采用随机初始的方式。 这一部可以避免局部最停滞,其数学模型描述为: ? 以上就是整个的实现过程,完整源代码Afshin Faramarzi已在File Exchange和GitHub中进行分享,这里就不再占用篇幅。 作者通过与其他常用的进行对比发现,MPA的效率明显于GA、PSO、GSA、CS、SSA和CMA-ES的,与SHADE和LSHADE-cnEpSin旗鼓相当。

    39420

    | 从参考点出发,求解高维问题!

    而演(见图二)是模拟生物界自然选择和自然进的随机启发式,现已成为当前解决复杂问题的有效工具之一。 其中,中国香港城市大学张青富教授提出的MOEA/D前已成为求解问题最流行的框架[1-2]。 图一 生活中的问题 图二 演示意图 近年来,高维问题已成为演研究领域的热点难题之一。在高维问题中,待个数至少是4个。 随着个数的增加,问题的求解难度会逐步加大。现阶段,国内外学者已提出众高维。然而,绝大数的工作主要采用理想点(Ideal point)计衡量个体收敛性和样性的指。 针对个数超过3个的问题,本文设计了一种有效的新。具体地,通过估计PF的大致形状,自适应地选择参考点。此外,还采用了一种识别和剔除支配抵抗解的方

    1.3K40

    拥挤距离计

    拥挤距离计 拥挤距离主要是维持种群中个体的样性。具体而言,一般来说是指种群按照支配关系[1]进行非支配排序[2]后,单个 Rank 层中个体的密集程度。 常用于支配关系的中,例如NSGA-II[3]. 主要步骤如下: 取单个前沿中个体按照一个上的值从小到大排序 将最大值作为 max,最小值保留作为 min。 因此注意,一个层中可能有个具有 inf 的点,即如果层中有个点在至少一个上相等,并且最大或最小,那么这些点的拥挤距离都是无穷大!!因为上呈现垂直的关系也是属于非支配的关系!! 如果出现这种情况,说明你样性很烂!~或者在某些早期可能出现这种情况 在这个上计每个个体最相邻个体之间的距离,即 i-1 和 i+1 的值的差。 并使用 max 和 min 对次值进行归一。 遍历,将上已经归一的拥挤距离相加。

    78050

    检测:基于YoloV4检测

    作者:Edison_G 为了解决检测任务中小检测精度低、误检、漏检率高等问题,有研究者提出了一种新的检测方。 一、前言 为了解决检测任务中小检测精度低、误检、漏检率高等问题,有研究者提出了一种基于YOLOv4卷积神经网络的检测方检测作为检测领域的一个重要研究方向,一直受到研究人员的广泛关注。前,在智能交通、智能辅助驾驶和视频监控等领域已经产生了深入的研究。 基于卷积神经网络的检测方主要分为两类,一类是两阶段方,一类是单阶段方。 第一种方的主要思想是在生成候选区域的基础上,利用级联方进一步判断边界框的类别和位置。 检测任务主要针对不同的应用场景选择合适的检测:单阶段检测速度最快,但准确率较低;两阶段和阶段检测可以获得更高的检测精度,但以牺牲检测速度为代价。

    15520

    问题概述

    关键词:条件约束,折中最解(解并非唯一是与单问题的本质区别) 文字描述: D个决策变量参数; N个函数; m+n个约束条件。 数学描述: ? 下图是问题中最解或非劣最解的定义 ? 一些关于Pareto最解的文献解释: 若x*∈C,且在C中不存在比x*更越的解x,则称x*是模型式的Pareto最解,又称为有效解。 一般来说,问题并不存在一个最解,所有可能的解都称为非劣解,也称为Pareto解.传统技术一般每次能得到Pareto解集中的一个,而用遗传来求解,可以得到更的Pareto解,甚至是整个的解都成为 不同中的应用 问题不存在唯一的全局最解。但仍然需要寻找到1个最终解。 有三类方: 1.生成:大量求非劣解,从中寻找最解。 2.交互:分析求出最解。

    41410

    检测综述之FPN

    导言 检测(Object Detection)的任务是找出图像或视频中的感兴趣,同时实现输出检测的位置和类别信息,是计机视觉领域的核心问题之一。 随着2012年ImageNet兴起的CNN,也从基于手工特征的传统转向了基于深度神经网络的检测技术。 本文主要关注检测中的尺度问题,FPN[2]以及在基于FPN各类变体,介绍FPN设计思路,旷视ThunderNet[3] CME对特征的处理,Libra R-CNN[4]针对feature 准确来说FPN不是第一个不同层特征融合的网络,但是第一个在检测使用尺度特征融合的方。 CNN的设计中,网络的深度和down sample是一对矛盾体。网络较为浅,特征提取不充分。 PANet PANet是由中国香港中文大学和腾讯图联合提出的实例分割框架。模型不是直接实现检测,但是论文的核心内容是增强FPN的尺度融合信息。

    3.3K20

    【CNN调参】检测技巧

    简介 检测模型相比于分类模型的研究相比,更缺少普遍性,并且网络结构和更加复杂。 本文主要是基于Faster R-CNN和YOLOv3来探索检测网络的调整策略。 这些策略不会改变模型的结构,也不会引入额外的计代价。通过使用这些trick,可以比SOTA提高最5个百分点。 2. 其点是: 改善了网络模型的泛能力 减少对错误签的记忆 增加对抗样本的鲁棒性 稳定训练过程 本文提出了针对检测的视觉连贯的mixup方(Visually Coherent Image Mixup 上图是一个猫在不同的背景下的检测结果,可以看到虽然ROI中内容大体不变,但是结果却有比较大的变,这叫做特征干扰,同一个在不同背景被检测为不同的物体,在ROI之外的特征对最终结果会产生影响,这代表特征干扰对检测过程产生干扰 2.4 其他 训练策略:使用余弦学习率+warmup的方。 ? 上图是step方和cosine方的对比,预先的方上升更快,不过最终结果比较接近,差的也不是很

    42730

    ——坐上升

    一、坐上升原理 坐上升(Coordinate Ascent)每次通过更新函数中的一维,通过次的迭代以达到函数的的。 更新过程为每次固定除αi\alpha _i以外的参数,求得满足条件的αi\alpha _i,直到收敛,具体的过程如下所示: ? 下图是在整个过程中的更新曲线: ? b_tmp) plt.plot(a,b) plt.title('Coordinate Ascent') plt.xlabel('x') plt.ylabel('y') plt.show() 二、坐上升在函数中的应用 f_0) < err): break f_0 = f_t print "max: " + str(f_0) print x 参考文章 坐上升

    48710

    ——坐上升

    一、坐上升原理 image.png 更新过程为每次固定除αi\alpha _i以外的参数,求得满足条件的αi\alpha _i,直到收敛,具体的过程如下所示: ? image.png 不断按照上述的过程,直到收敛。下图是在整个过程中的更新曲线: ? b_tmp) plt.plot(a,b) plt.title('Coordinate Ascent') plt.xlabel('x') plt.ylabel('y') plt.show() 二、坐上升在函数中的应用 f_0) < err): break f_0 = f_t print "max: " + str(f_0) print x 参考文章 坐上升 (Coordinate Ascent)及C++编程实现 机器学习与Python实践之(四)支持向量机(SVM)实现

    1K60

    漂浮基座机械臂下的运动控制

    此阶段的运动规划任务包括基座姿态保持/调整、末端姿态调整、末端位置保持任务以及约束任务。 本文基于关节空间任务补偿方构建混合任务先级运动规划旨在完成任务下的空间机械臂末端手眼相机视角调整,且关节空间任务补偿策略可以保证所提中无奇异。 通过建立空间机器人一体数值仿真平台,验证空间机器人运动控制的有效性。 空间机械臂与基座之间存在动力学耦合,以此研究基座姿态保持/调整下的末端姿态控制。 进而保证空间机器人末端手眼相机在对卫星进行有效观测的同时保持基座的姿态在合理的范围内。 针对观测阶段末端相机姿态调整以及基座姿态保持控制,提出混合任务先级的框架解决任务下的姿态路径跟踪问题。

    1.2K83

    CSO(MOCSO)理解

    MOCSO(Multi-Objective Competitive Swarm Optimizer)是PSO(粒子群)的变体 基于的竞争性的粒子群(MOCSO) 摘要: 在进中 ,探索有效的技术是值得关注的。 我们提出了一种基于最近发展的群集智能范例的。在该的基础上,我们提出了一种针对学习更新拟合的引导性学习策略,以加快收敛速度,避免了样性减少。 通过与几种最先进的的比较,验证了该的性能,包括三种现有的粒子群和三种基于遗传的流行。实验结果表明,该具有越性。 关键字:,竞争群,群智能

    36450

    因子因子的区别

    因子因子的区别 “参考文献 [1]GUPTA A, ONG Y-S, FENG L, et.al. MOMFEA和MFEA的区别和联系 在MFEA取得巨大进展之后,研究者们将光转移到任务。 Gupta等[1]于2017年首次将任务运用到解决问题中,并在MFEA的基础上进行了拓展提出了一种因子进(MOMFEA)。 MOMFEA继承了MFEA中的技能因子和量适应度,扩展了因子排名的概念。 在问题中,帕累托最解之间是非支配的关系,不能单一根据一个函数值的好坏判断一个解的好坏。 MOMFEA中解的编码与解码,选择性交配和垂直文传播机制与MFEA中相同。 因子排名更新 在MFEA中,因子排名根据因子成本进行计

    56210

    相关产品

    • 云顾问

      云顾问

      腾讯云顾问从安全、可靠、服务限制几个维度帮助您优化云基础设施,以提升系统安全性以及服务可靠性。结合腾讯云多年服务客户沉淀的最佳实践,一键完成云资源的巡检操作,根据业务实际使用情况,在线提供资源优化建议,高效提升业务连续性。

    相关资讯

    热门标签

    扫码关注云+社区

    领取腾讯云代金券