注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. （2020更新）Matlab非支配排序遗传算法 PESA-II

  2. 基于Pareto的非支配排序遗传算法II (PESA-II)是一种多目标进化优化算法，它利用了遗传算法的机制以及基于Pareto包络的选择。 PESA-II使用外部存档来存储近似的Pareto解决方案。 基于基于档案成员的地理分布创建的网格，从这个外部档案中选择父类和突变体。 这与在MOPSO(这里)算法中使用的机制非常相似。 实际上，PESA-II是一个多目标遗传算法，它使用网格进行选择，并创建下一代。 该算法以结构化的方式实现，如果你熟悉MATLAB编程语言，你会发现在你的研究项目

  3. 所属分类：制造

    • 发布日期：2020-09-17
    • 文件大小：11kb
    • 提供者：sclient_sky

  1. 基于排序的进化多目标优化选择

  2. 基于排序的进化多目标优化选择

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：984kb
    • 提供者：weixin_38729607

  1. 基于旋转网格的多目标进化算法

  2. 进化优化算法是一种元启发式方法，在多目标优化问题（MaOP）中经常遇到相当大的挑战。 基于帕累托的优势在MaOP中失去了效力，MaOP被定义为具有三个以上的目标。 因此，提出了一种更有效的选择方法来平衡收敛和分布。 本文提出了一种使用旋转网格技术求解MaOP的算法（由RGridEA表示）。 该算法使用旋转网格划分目标空间。 不是使用帕累托非支配排序策略对总体进行分层，而是使用一种新颖的分层方法来有效地增强收敛性，并利用网格来改善分布和均匀性。 最后，在测试功能DTLZ序列分析中测试了其他七种算法

  3. 所属分类：其它

  1. 一种新的差分进化约束优化算法

  2. 对于约束优化问题,目前提出的差分进化算法大多采用罚函数法,但此方法对罚参数有很强的依赖性.基于此,把约束优化问题中的约束条件当作一个目标函数,从而把约束优化问题转化为有两个目标函数的多目标优化问题.借鉴多目标优化中的Pareto的概念,对种群中的个体规定等级,便于在优胜劣汰过程中确定选择概率.同时,在算法陷入局部最优时,采用一种不可行解替换机制来提高算法搜索能力.对13个标准测试问题的测试结果表明,与动态惩罚函数的进化算法、可行性规则的差分进化算法、采用随机排序的进化策略以及人工免疫响应约束进化

  3. 所属分类：其它

  1. 拥挤距离排序的多目标文化粒子群优化算法

  2. 为解决工程优化设计问题, 引入文化进化框架, 提出一种拥挤距离排序的多目标文化粒子群算法. 采用拥挤距离排序算子, 并删除密集区域的多余粒子, 以保证Pareto 前沿的分布均匀性; 基于拥挤距离值, 从精英知识和条件知识中选择处于最分散区域的粒子, 并将其分别作为全局和局部最优, 以增强算法全局寻优能力; 依据拥挤距离的变化, 动态调整粒子群飞行参数, 以提高算法收敛效率. 通过标准测试问题以及与其他算法的对比, 表明了所提出算法的有效性和鲁棒性.

  3. 所属分类：其它

    • 发布日期：2021-01-14
    • 文件大小：304kb
    • 提供者：weixin_38714532

  1. 基于偏好方向的区间多目标交互进化算法

  2. 区间多目标优化问题在实际应用中普遍存在且非常重要. 为得到贴合决策者偏好的最满意解, 采用边优化 边决策的方法, 提出一种交互进化算法. 该算法通过请求决策者从部分非被支配解中选择一个最差解, 提取决策者的 偏好方向, 基于该偏好方向设计反映候选解逼近性能的测度, 将具有相同序值和决策者偏好的候选解排序. 将所提方 法应用于4 个区间2 目标优化问题, 并与利用偏好多面体解决区间多目标优化问题的进化算法(PPIMOEA) 和后验法 比较, 实验结果验证了所提出方法的有效性和高效性.

  3. 所属分类：其它

    • 发布日期：2021-01-14
    • 文件大小：193kb
    • 提供者：weixin_38690407

  1. 基于改进

  2. 为提高4 目标以上高维多目标优化问题的求解性能, 提出一种基于改进?? 支配排序的高维多目标进化算法(KS-MODE). 该算法针对K支配的支配关系和排序方法进行改进, 避免循环支配并增强选择压力; 设计新的全局密度估计方法提高局部密度估计精确性; 设计新的精英选择策略和适应度值评价函数; 采用CAO局部搜索算子加速收敛. 在4∼30 个目标标准测试函数上的实验结果表明, KS-MODE 能够在保证解集分布性的同时大幅提升收敛性和稳定性, 能够有效求解高维多目标优化问题.

  3. 所属分类：其它

    • 发布日期：2021-01-14
    • 文件大小：235kb
    • 提供者：weixin_38587130

  1. 基于分解和差分进化的多目标粒子群优化算法

  2. 为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所

  3. 所属分类：其它

  1. 多目标和多目标进化优化的基于分解的排序和基于角度的选择

  2. 多目标和多目标进化优化的基于分解的排序和基于角度的选择

  3. 所属分类：其它