计算能力和资源受限的移动设备可将待处理的密集型任务卸载到云端执行，从而增强移动设备的计算能力并减少电池能源消耗（EC）。然而，现有研究在卸载任务时不能较好地均衡移动端的应用完成时间（FT）和EC。提出了基于分解的多目标进化算法（MOEA/D）来同时优化应用 FT 和 EC，并将动态电压频率调整技术引入MOEA/D中，在不增加应用FT的前提下，调节移动设备的CPU时钟频率以进一步降低移动设备的EC。仿真结果表明，与多个算法相比，所提出的算法在多目标性能上更优。
2022-03-01 11:41:35
1.51MB
1
ev-MOGA 多目标进化算法由瓦伦西亚理工大学的预测控制和启发式优化小组开发。 ev-MOGA 是一种基于 epsilon 优势概念的精英主义多目标进化算法。 ev-MOGA，试图以有限的内存资源以智能分布式方式获得帕累托前沿的良好近似。 它还动态调整帕累托前沿的限制。 有关 ev-MOGA 的详细信息在（请将此算法引用为）： [1] M. Martínez、JM Herrero、J. Sanchis、X. Blasco 和 S. García-Nieto。 通过随机求解器应用帕累托多目标优化。 人工智能的工程应用。 卷。 22 pp. 455 - 465, 2009 (ISSN:0952-1976)。 该算法也描述在： [2] JM Herrero、M. Martínez、J. Sanchis 和 X. Blasco。 使用 epsilon-MOGA 进化算法的均匀分布的帕累托前沿。
2021-12-02 19:18:36
309KB
1
针对进化算法计算量大、局部搜索能力弱的不足，把一种数学试验方法一一
均匀设计用于构造进化算子，使新的进化算子具有相似于传统最优化算法的局部
搜索特性，提高了算法的搜索效率。对一组测试函数的数值实验表明新算法计算
量少收敛速度快。
2021-11-30 08:05:28
3.24MB
1
MOEA-NSGA-II 多目标进化算法MATLAB程序 NSGA MATLAB程序
2021-11-25 21:26:19
174KB
1
进化算法的出现为复杂优化问题的求解提供了新的思路，由于它具有智能性、
通用性、稳健性、本质并行性和全局搜索能力，己在各个领域得到了广泛的成功
应用.本文从生物个体与环境、个体与个体之间的竞争与协作关系出发，首先针
对无约束多目标优化问题提出了相应的进化模型与算法，然后分析了已有多目标
进化算法的收敛性，给出了衡量不同算法性能的定量性能指标;考虑到实际问题
往往是带有多约束的优化问题，针对约束优化问题提出了基于双群体的差分进化
算法，并将一种多目标进化算法用于灰度图像和彩色图像的色调处理之中;最后，
给出了一种用来搜寻多峰函数所有峰值点的有效算法及评价多峰函数优化问题算
法性能的度量方法.本文的主要工作概括如下:
2021-11-13 16:16:41
3.24MB
1
NSGA-Ⅱ是最流行的多目标遗传算法之一，它降低了非劣排序遗传算法的复杂性，具有运行速度快，解集的收敛性好的优点，成为其他多目标优化算法性能的基准。NSGA-Ⅱ就是在第一代非支配排序遗传算法的基础上改进而来，其改进主要是针对如上所述的三个方面：
①提出了快速非支配排序算法，一方面降低了计算的复杂度，另一方面它将父代种群跟子代种群进行合并，使得下一代的种群从双倍的空间中进行选取，从而保留了最为优秀的所有个体；
②引进精英策略，保证某些优良的种群个体在进化过程中不会被丢弃，从而提高了优化结果的精度；
③采用拥挤度和拥挤度比较算子，不但克服了NSGA中需要人为指定共享参数的缺陷，而且将其作为种群中个体间的比较标准，使得准Pareto域中的个体能均匀地扩展到整个Pareto域，保证了种群的多样性。
2021-11-05 16:21:36
449KB
1
里面有个英文手册，我自己测试过，可以使用。
翻译手册里的步骤如下：
1.解压缩后，文件夹MOEA_SPEA2_MATLAB里面会有个source文件夹，再把source里的文件都拷贝到根目录。
2.将MOEA_SPEA2_MATLAB放在MATLAB的toolbox文件夹下，打开MATLAB，然后set path，之后将current directory定位到：D:\MATLAB7\toolbox\MOEA_SPEA2_MATLAB(这是我的存放地点)
3.首先运行build_spea2.m产生spea2.dll，这样就可以使用SPEA2算法啦
4.打开demo_moea.m，运行一下Demo看看，成功的话就说明可以放心使用这个算法了。
5.实验自己的用例：demo_funct.m里的函数更改成自己的就可以。
2021-10-29 16:13:25
84KB
1
设计了一种新的求解均匀分布的Pareto最优解集的多目标进化算法(MOEA),其主要的特点是使用了一种新的个体适应值的计算方式,方法是通过群体中某一个体与群体的最优非劣解集的最小距离来刻画个体的适应值的。算法还结合了遗传算法中的精英策略以及NSGA-Ⅱ中的拥挤距离[12],提高了非劣解向Pareto最优前沿收敛的速度,并且保证了Pareto最优解集的多样性。仿真结果表明,算法不仅能够获得分布良好的Pareto最优前沿,而且能够极大地简化计算,减少了算法的运行时间,其计算复杂度为ο(mn2)(m表示的是目标函数的个数,n是种群的规模)。
2021-10-14 19:54:44
363KB
1