在求解多目标优化问题时,针对粒子群优化算法容易陷入局部极值的现象,提出了一种组合粒子群和差分进化的多目标优化算法,使用粒子群优化算法和差分进化算法共同产生新粒子,通过一个判断因子控制两种算法的使用比例,并对粒子群优化算法的速度更新公式进行了改变,以提高搜索效率。通过三个测试函数进行了仿真,并同NSGA-Ⅱ、MOPSO-CD进行了比较。实验结果表明改进算法求得的Pareto解集收敛性和多样性好,并且算法稳定性高,运行速度快。
2021-10-13 20:41:29
392KB
1
非常好的NSGAII多目标遗传算法，仔细理解算法过程，便可掌握编写。遗传算法早在上世界50年代就已经被人提出并进行了阐发。它的核心就是遗传三算子，也就是选择，交叉和变异。通过随机选择的父代，对子代基因进行随机交叉和随机变异，从而形成新的种群。在种群中利用适应度函数对种群个体进行排序，选择出适应度好的个体进行下一代迭代
2021-09-30 14:20:17
7KB
1
为了更好地改善多目标粒子群优化算法的收敛性和多样性的pso 算法
2021-09-28 18:03:56
3KB
遗传算法程序NSGA2，关于移动机器人路径规划。
2021-09-28 16:07:07
130KB
nsga2算法matlab代码这是基于NSGA-II的多目标进化算法（MOEA）。
最终目的是解决开源软件的发布时间和管理问题
NSGA是一种流行的基于非控制的遗传算法，用于多目标优化。
原始NSGA-II代码可在函数nsga_2（pop，gen）中找到。
该函数的输入参数是种群大小和世代数。
出于定制目的，用户可以通过修改m文件（evaluate_objective.m）来自由修改目标函数（多个决策变量的函数）。
传统上，优化的软件发布时间问题将多决策空间减少为单目标优化问题。
尽管这些表述简化了问题并降低了涉及的复杂性，但是解决方案并不能解决涉及的每个目标。
我们使用基于非控制的遗传算法来解决开源软件的发布时间问题，其原因有两个：1.要同时实现最大的可靠性和最小的成本。
2.进化算法保证了解的质量。
我们没有使用单个遗传算法找到一组最优解，而是找到了一个最优解。
众所周知，这些解决方案是帕累托最优解决方案。
在针对多目标问题的一组帕累托最优解中，在最后一个目标中，每个解决方案都必须比另一个更好。
我们考虑的目标是1.可靠性2.成本3.测试资源消耗
如何运行：
nsga_2（pop，
2021-09-11 18:57:02
139KB
1
以接近Matlab代码的编程结构，采用Python语言实现了基于非支配排序的多目标遗传算法——NSGAII，注释丰富，程序易于理解，所采用的主要是“创建函数-调用函数”模式。
首先根据搜集到的数据绘制目标问题的理论非劣前沿，然后初始化一组方案点，通过NSGAII对方案点的决策变量不断优化，最终这群方案点均落在理论非劣前沿附近，程序在解决两个目标的问题时表现较好，在进化到第20代就能接近理想情况
2021-09-01 14:09:25
62KB