基于快速非支配排序算法和拥挤度。
算法主程序
def MODE(nIter, nChr, nPop, F, Cr, func, lb, rb):
"""多目标差分进化算法主程序
Params:
nIter: 迭代次数
nPop: 种群规模
F: 缩放因子
Cr: 交叉概率
func:优化函数
lb: 自变量下界
rb:自变量上界
Return:
paretoPops: 帕累托解集
paretoFits: 对应的适应度
"""
# 生成初始种群
parPops = initPop(nChr, nPop, lb, rb)
parFits = fitness(parPops, func)
# 开始迭代
iter = 1
while iter <= nIter:
# 进度条
print("【进度】【{0:20s}】【正在进行{1}代...】【共{2}代】".\
format('▋'*int(iter/nIter*20), iter, nIter), end='\r')
mutantPops = mutate(parPops, F, lb, rb) # 产生变异向量
trialPops = crossover(parPops, mutantPops, Cr) # 产生实验向量
trialFits = fitness(trialPops, func) # 重新计算适应度
pops = np.concatenate((parPops, trialPops), axis=0) # 合并成新的种群
fits = np.concatenate((parFits, trialFits), axis=0)
ranks = nonDominationSort(pops, fits) # 非支配排序
distances = crowdingDistanceSort(pops, fits, ranks) # 计算拥挤度
parPops, parFits = select1(nPop, pops, fits, ranks, distances)
iter += 1
print("\n")
# 获取等级为0,即实际求解得到的帕累托前沿
paretoPops = pops[ranks==0]
paretoFits = fits[ranks==0]
return paretoPops, paretoFits
由父代种群和经过差分变异交叉后的实验种群混合成一个新的种群,对新的种群进行非支配排序,利用1对1锦标赛选择算子筛选出新的父代种群。
采用精英策略,在进行交叉变异操作之后对新产生的种群与父代种群混合成新的种群,对新的种群进行优选。
算法主程序
def NSGA2(nIter, nChr, nPop, pc, pm, etaC, etaM, func, lb, rb):
"""非支配遗传算法主程序
Params:
nIter: 迭代次数
nPop: 种群大小
pc: 交叉概率
pm: 变异概率
func: 优化的函数
lb: 自变量下界
rb: 自变量上界
Return:
paretoPops: 帕累托解集
paretoFits: 对应的适应度
"""
# 生成初始种群
pops = initPops(nPop, nChr, lb, rb)
fits = fitness(pops, func)
# 开始第1次迭代
iter = 1
while iter <= nIter:
print(f"当前正在第{iter}代....")
ranks = nonDominationSort(pops, fits) # 非支配排序
distances = crowdingDistanceSort(pops, fits, ranks) # 拥挤度
pops, fits = select1(nPop, pops, fits, ranks, distances)
chrpops = crossover(pops, pc, etaC, lb, rb) # 交叉产生子种群
chrpops = mutate(chrpops, pm, etaM, lb, rb) # 变异产生子种群
chrfits = fitness(chrpops, func)
# 从原始种群和子种群中筛选
pops, fits = optSelect(pops, fits, chrpops, chrfits)
iter += 1
# 对最后一代进行非支配排序
ranks = nonDominationSort(pops, fits) # 非支配排序
distances = crowdingDistanceSort(pops, fits, ranks) # 拥挤度
paretoPops = pops[ranks==0]
paretoFits = fits[ranks==0]
return paretoPops, paretoFits
从archive集中更新gBest不仅采用支配解,还利用网格法,统计支配解的密度,选取网格中密度较低的解来更新gBest。
算法主程序
def MOPSO(nIter, nPop, nAr, nChr, func, c1, c2, lb, rb, Vmax, Vmin, M):
"""多目标粒子群算法
Params:
nIter: 迭代次数
nPOp: 粒子群规模
nAr: archive集合的最大规模
nChr: 粒子大小
func: 优化的函数
c1、c2: 速度更新参数
lb: 解下界
rb:解上界
Vmax: 速度最大值
Vmin:速度最小值
M: 划分的栅格的个数为M*M个
Return:
paretoPops: 帕累托解集
paretoPops:对应的适应度
"""
# 种群初始化
pops, VPops = initPops(nPop, nChr, lb, rb, Vmax, Vmin)
# 获取个体极值和种群极值
fits = fitness(pops, func)
pBest = pops
pFits = fits
gBest = pops
# 初始化archive集, 选取pops的帕累托面即可
archive, arFits = getNonDominationPops(pops, fits)
wStart = 0.9
wEnd = 0.4
# 开始主循环
iter = 1
while iter <= nIter:
print("【进度】【{0:20s}】【正在进行{1}代...】【共{2}代】".\
format('▋'*int(iter/nIter*20), iter, nIter), end='\r')
# 速度更新
w = wStart - (wStart-wEnd) * (iter/nIter)**2
VPops = w*VPops + c1*np.random.rand()*(pBest-pops) + \
c2*np.random.rand()*(gBest-pops)
VPops[VPops>Vmax] = Vmax
VPops[VPops<Vmin] = Vmin
# 坐标更新
pops += VPops
pops[pops<lb] = lb
pops[pops>rb] = rb # 防止过界
fits = fitness(pops, func)
# 更新个体极值
pBest, pFits = updatePBest(pBest, pFits, pops, fits)
# 更新archive集
archive, arFits = updateArchive(pops, fits, archive, arFits)
# 检查是否超出规模,如果是,那么剔除掉一些个体
archive, arFits = checkArchive(archive, arFits, nAr, M)
# 重新获取全局最优解
gBest = getGBest(pops, fits, archive, arFits, M)
iter += 1
print('\n')
paretoPops, paretoFits = getNonDominationPops(archive, arFits)
return paretoPops, paretoFits
FON标准问题:
f 1 ( x 1 , x 2 , x 3 ) = 1 − e − ∑ i = 1 3 ( x i − 1 3 ) , f 2 ( x 1 , x 2 , x 3 ) = 1 − e − ∑ i = 1 3 ( x i + 1 3 ) f_1(x_1,x_2,x_3)=1-e^{-\sum_{i=1}^3(x_i-\frac{1}{\sqrt{3}})}, f_2(x_1,x_2,x_3)=1-e^{-\sum_{i=1}^{3}(x_i+\frac{1}{\sqrt{3}})} f1(x1,x2,x3)=1−e−∑i=13(xi−31),f2(x1,x2,x3)=1−e−∑i=13(xi+31)
其中: x i ∈ [ − 2 , 2 ] , i = 1 , 2 , 3 x_i\in[-2,2],i=1,2,3 xi∈[−2,2],i=1,2,3
该问题具有极为简单易于表达的理论最优解集
x 1 = x 2 = x 3 ∈ [ − 1 3 , 1 3 ] x_1=x_2=x_3\in[-\frac{1}{\sqrt3},\frac{1}{\sqrt3}] x1=x2=x3∈[−31,31]
(迭代次数100,种群规模50)
(迭代次数50,种群规模100)
(迭代次数100,种群规模100)
参考文献:多目标差分进化在热连轧负荷分配中的应用
参考博客:多目标优化算法(一)NSGA-Ⅱ(NSGA2)
参考文献:MOPSO算法及其在水库优化调度中的应用
详细代码地址:部分多目标启发式算法python实现(github)
文章浏览阅读1.6k次。安装配置gi、安装数据库软件、dbca建库见下:http://blog.csdn.net/kadwf123/article/details/784299611、检查集群节点及状态:[root@rac2 ~]# olsnodes -srac1 Activerac2 Activerac3 Activerac4 Active[root@rac2 ~]_12c查看crs状态
文章浏览阅读1.3w次,点赞45次,收藏99次。我个人用的是anaconda3的一个python集成环境,自带jupyter notebook,但在我打开jupyter notebook界面后,却找不到对应的虚拟环境,原来是jupyter notebook只是通用于下载anaconda时自带的环境,其他环境要想使用必须手动下载一些库:1.首先进入到自己创建的虚拟环境(pytorch是虚拟环境的名字)activate pytorch2.在该环境下下载这个库conda install ipykernelconda install nb__jupyter没有pytorch环境
文章浏览阅读5.2k次,点赞19次,收藏28次。选择scoop纯属意外,也是无奈,因为电脑用户被锁了管理员权限,所有exe安装程序都无法安装,只可以用绿色软件,最后被我发现scoop,省去了到处下载XXX绿色版的烦恼,当然scoop里需要管理员权限的软件也跟我无缘了(譬如everything)。推荐添加dorado这个bucket镜像,里面很多中文软件,但是部分国外的软件下载地址在github,可能无法下载。以上两个是官方bucket的国内镜像,所有软件建议优先从这里下载。上面可以看到很多bucket以及软件数。如果官网登陆不了可以试一下以下方式。_scoop-cn
文章浏览阅读4.5k次,点赞2次,收藏3次。首先要有一个color-picker组件 <el-color-picker v-model="headcolor"></el-color-picker>在data里面data() { return {headcolor: ’ #278add ’ //这里可以选择一个默认的颜色} }然后在你想要改变颜色的地方用v-bind绑定就好了,例如:这里的:sty..._vue el-color-picker
文章浏览阅读640次。基于芯片日益增长的问题,所以内核开发者们引入了新的方法,就是在内核中只保留函数,而数据则不包含,由用户(应用程序员)自己把数据按照规定的格式编写,并放在约定的地方,为了不占用过多的内存,还要求数据以根精简的方式编写。boot启动时,传参给内核,告诉内核设备树文件和kernel的位置,内核启动时根据地址去找到设备树文件,再利用专用的编译器去反编译dtb文件,将dtb还原成数据结构,以供驱动的函数去调用。firmware是三星的一个固件的设备信息,因为找不到固件,所以内核启动不成功。_exynos 4412 刷机
文章浏览阅读2w次,点赞24次,收藏42次。Linux系统配置jdkLinux学习教程,Linux入门教程(超详细)_linux配置jdk
文章浏览阅读3.3k次,点赞5次,收藏19次。xlabel('\delta');ylabel('AUC');具体符号的对照表参照下图:_matlab微米怎么输入
文章浏览阅读119次。顺序读写指的是按照文件中数据的顺序进行读取或写入。对于文本文件,可以使用fgets、fputs、fscanf、fprintf等函数进行顺序读写。在C语言中,对文件的操作通常涉及文件的打开、读写以及关闭。文件的打开使用fopen函数,而关闭则使用fclose函数。在C语言中,可以使用fread和fwrite函数进行二进制读写。 Biaoge 于2024-03-09 23:51发布 阅读量:7 ️文章类型:【 C语言程序设计 】在C语言中,用于打开文件的函数是____,用于关闭文件的函数是____。
文章浏览阅读3.4k次,点赞2次,收藏13次。跟随鼠标移动的粒子以grid(SOP)为partical(SOP)的资源模板,调整后连接【Geo组合+point spirit(MAT)】,在连接【feedback组合】适当调整。影响粒子动态的节点【metaball(SOP)+force(SOP)】添加mouse in(CHOP)鼠标位置到metaball的坐标,实现鼠标影响。..._touchdesigner怎么让一个模型跟着鼠标移动
文章浏览阅读178次。项目运行环境配置:Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX(Webstorm也行)+ Eclispe(IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持)。项目技术:Springboot + mybatis + Maven +mysql5.7或8.0+html+css+js等等组成,B/S模式 + Maven管理等等。环境需要1.运行环境:最好是java jdk 1.8,我们在这个平台上运行的。其他版本理论上也可以。_基于java技术的停车场管理系统实现与设计
文章浏览阅读3.5k次。前言对于MediaPlayer播放器的源码分析内容相对来说比较多,会从Java-&amp;gt;Jni-&amp;gt;C/C++慢慢分析,后面会慢慢更新。另外,博客只作为自己学习记录的一种方式,对于其他的不过多的评论。MediaPlayerDemopublic class MainActivity extends AppCompatActivity implements SurfaceHolder.Cal..._android多媒体播放源码分析 时序图
文章浏览阅读2.4k次,点赞41次,收藏13次。java 数据结构与算法 ——快速排序法_快速排序法