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
NSGA II 算法的 MATLAB 代码（Kalyanmoy Deb、Amrit Pratap、Sameer Agarwal 和 T. Meyarivan，“快速和精英多目标遗传算法：NSGA-II”，IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION，VOL. 6，No. 2, APRIL 2002.) 是为该文件中的 9 个无约束和 5 个约束测试问题开发的。
2021-09-27 22:21:29
9KB
1
遗传算法+NSGAII+带精英策略的非支配排序的遗传算法+锦标赛选择法+python源码实例（python3.5）
运行之前，evolution_lib.py中注释的这一句要取消注释
#from evolution_search_nsga import parameter_lower_bound,parameter_upper_bound
2021-09-26 10:59:20
21KB
1
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
本文档是博客《多目标快速非支配排序遗传算法-NSGA-II》中所需要拜读的参考文献论文，包含了NSGA,NSGA-II，NGPM手册及Deb K 所撰写的与NSGA相关的部分论文，
2021-08-01 16:30:44
5.09MB
1
化学工程中的许多优化问题涉及整数变量和权衡目标。 解决此类问题的一种方法是使用处理连续和整数变量的算法，例如，BARON 算法（确定性）或 NSGA II（随机性）。此 matlab 代码是 Aspen Plus 蒸馏塔多目标优化的示例，使用NSGA II 算法。 蒸馏塔的模拟在Aspen Plus V8.8 中进行，因为V9 或10 版本中每次交互的模拟时间是V8.8 版本的10 倍。
优化问题陈述： 目标函数 (2) : [min{CAPEX}, min{OPEX}] 优化变量 (3)：[x1=色谱柱级数，x2=回流比，x3：标准化色谱柱进料级] 约束条件：约束条件1 =乙醇的摩尔回收率> 99％； 缺点 2=乙醇摩尔纯度 > 80%
NSGA II 设置代数：20 人口：20 注意：请参阅代码“Opt_EthanolColumn.m”以更好地理解 NSGA 算法参数。
运行代
2021-07-12 00:27:31
14KB
1