精华内容
下载资源
问答
  • 代码中有特别详细的注释,包括7个模块,供大家学习使用。
  • 多目标进化算法nsga2

    2020-04-22 10:18:43
    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...
  • 这个是在网站上花钱买的,买来后自己也不太会用,传上来大家有懂的就试试看行不行
  • 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...
  • NSGA2 遗传算法解决多目标优化

    千次阅读 2020-12-29 08:22:46
    进行多目标优化时,通常面临目标函数无法同时达到最优的情况,为了解决这一矛盾,引入Pareto-Optimality的概念Pareto-Optimality 通常,多目标优化的一般形式为: 经过处理,可以化为以下形式:其中f1(x),f2(x),...

    进行多目标优化时,通常面临多个目标函数无法同时达到最优的情况,为了解决这一矛盾,引入Pareto-Optimality的概念

    Pareto-Optimality

    通常,多目标优化的一般形式为:

    经过处理,可以化为以下形式:

    其中

    f1(x),f2(x),...,fn(x)

    为目标函数,其全部都是求最小值的形式

    以下针对两个目标函数进行讨论:

    有几个目标函数便为几维空间,有两个目标函数Time(f1(x)),Cost(f2(x)),

    可以画出图像:

    随后引入几个概念:

    非支配解:假设任何二解S1 及S2 对所有目标而言,S1均优于S2,则我们称S1 支配S2,若S1 的解没有被其他解所支配,则S1 称为非支配解(不受支配解),也称Pareto解

    支配解:若解S2的所有目标均劣于S1,则称S1优于S2,也称S1支配S2

    ,S2为受支配解。

    因此现在的首要任务是寻找解空间里面所有的Pareto解,找到所有Pareto解之后,这些解组成的平面叫做Pareto前沿面(Non-dominated front)。在目标函数较多时,前沿面通常为超曲面。

    非支配解排序(Non-dominated Sorting)

    1. 设所有解的集合为S,现从中找出非支配解集合,记为F1

    2. 令S=S-F1,从S中再找出非支配解集合,记为F2

    3. 重复第二步,直到S为空集

    将每次找出的非支配解进行排序如下:

    {F1,F2,…,Fn}

    在途中画出Fi集合中对应点,并连线,则构成了n个pareto曲面,分别编号为Non-dominated Front 1,Non-dominated Front 2…

    以上述表格中数据为例:F1={A,B,D,F}, F2={C,E,D}, F3={H,I}

    画出相应图形:

    在第一个前沿面上的解具有最大的适应度,序数越大则适应度越小。序号小的前沿面上的解可以支配序号大的前沿面上的解。

    同一前沿面上解的排序-拥挤度(Crowding Distances)

    针对第一个前沿面来说,其中包含了A,B,D,F四个解,如何评判这四个解的适应度大小呢?由此引入了拥挤度的概念。

    拥挤度的计算:

    1. 只考虑同一前沿面上的解,设定位于前沿面两端边界点的拥挤度为∞。

    2. 对于不在两端的点,其拥挤度主要与其相邻两个点有关

    拥挤度越小则对应该解越重要

    比较通俗的理解:拥挤度越小就说明该解与其他解相似程度不高,保留拥挤度较小的点相当于保存了解的多样性

    所以说,确定解的适应度大小顺序应该先判断该解在哪个前沿面上,如果在同一个前沿面上,则再计算拥挤度进行判断

    与遗传算法结合

    与普通遗传算法步骤大概相同,初始化随机取几个解,进行编码,交叉互换,突变

    生成子代

    但是,在生成子代后,需要与父代混合,从中挑选出适应度较高的解重新形成子代,再进行新的一轮迭代。

    举例说明:

    1.针对一个两目标优化问题,初始化随机取出10个解记为F,经过计算得到子一代为P

    此时将P,F混合,形成新的解集S

    2.针对S,进行上面所介绍的非支配解排序,计算拥挤度,最终得出这12个解的适应度大小顺序,从中取适应度较大的10个点生成新的子代(维持和父代个数相同),带入算法进行新一轮迭代

    子代父代混合筛选生成新的子代,好像叫做精英策略

    任何启发式算法均有两个方面组成:加快收敛的操作和在收敛过程中保持解的多样性的操作,两种操作相互作用,以至于找到一个合适的收敛速度,减少计算时间,同时避免陷入局部最优

    对于NSGA来说,其规则仍然符合这两个准则:

    1. 本算法并不是只取最优的前沿面,而是将所有前沿面均纳入考虑范围内,是为了体现解的多样性,防止陷入局部最优

    2. 计算拥挤度是为了保存下来相似程度较低的解,保持解空间的多样性

    3. 使用精英策略是为了加速收敛,更快的除去劣解

    作者:骑着象拔蚌环游

    链接:https://zhuanlan.zhihu.com/p/125161075

    展开全文
  • 遗传算法代码,外加个人理解希望大吉你可以多多交流
  • 多目标演化算法的进展研究,主要包括MOGA,NPGA,NSGANSGA-II等
  • 利用matlab实现多目标遗传算法NSGA 2
  • NSGA2优化算法Matlab求解多目标优化问题,遗传算法优化+帕累托排序,有效地解决了多目标优化问题,算例可行有效。
  • 使用NSGA2算法的,一种连接座的多目标优化示例,部分文件采用NFT神经网络工具箱生成
  • 进行多目标优化,主要是使用了NSGA-2算法,在代码中进行了必要的标注
  • 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,
  • NSGA/NSGA-II/NSGA-III多目标遗传算法优化算法源代码汇总 matlab 1、遗传算法NSGAII(将输入接口放在一起,简化输入参数) 2NSGA-II matlab 遗传算法源码 3、遗传算法代码(NSGA-II)(这是主要的遗传算法代码之一...

    NSGA/NSGA-II/NSGA-III多目标遗传算法优化算法源代码汇总 matlab
    1、遗传算法NSGAII(将输入接口放在一起,简化输入参数)
    2、NSGA-II matlab 遗传算法源码
    3、遗传算法代码(NSGA-II)(这是主要的遗传算法代码之一,可以VC+
    +6.0下运行。)
    4、NSGA多目标遗传算法(NSGAc++代码,效率比较高,求解结果比较精确)
    5、带精英策略的非支配排序遗传算法(NSGA-II)(基于NSGA-II的卫星星座
    设计,含金套代码)
    6、nsga-1算法(描述nsga-ii算法的文档)
    8、NSGA-1I的matlab仿真程序(非支配排序遗传算法的matlab仿真程序)
    9、NSGA-II非支配排序算法(NSGA-II,多目标优化代码,含有ZDT、DTLZ、WF
    G测试问题,能直接运行。)程序员帮帮

    10、两个经典的多目标优化算法代码:NSGA-I1和MOEA/D代码(mat lab)(在m
    atIab下实现两个经典的多目标优化算法:NSGA-II和MOEA/D。NSGA-II是基于
    非可支配性排序的一种算法,而MOEA/D为基于分解的一种多目标优化算法,两
    种都属于基于进化的多日标优化算法(MOEA)。)
    12、NSGA多目标遗传算法(NSGAc+→代码,效率比较高,求解结果比较精确)
    13、NSGA和NSGAII算法(多目标速传算法,日前应用很广)
    14、NSGA-III代码(测试可以跑,根据白己情况修改下函数即可)
    15、NSGA-2源程序(可以运行)(NSGA-2是遗传算法的一个改进,该压缩文件
    中有程序说明)
    16、NSGAII解决TSP问题mat lab源码(本资源采用mat lab编码,采用经典NSGAI
    T解决TSP问题)
    17、基于NSGA-2的求解多日标柔性车间调度算法((包含gantt图的绘制),
    亲测有效。)
    I8、Matlab编写多目标优化算法NSGA-IⅡ的详解(1)本程序主要针对测试函数
    集ZIDTI进行的NSGA-IⅡ算法的编写:2)本程序有详细的备注解释:)
    19、Matlab多目标优化遗传算法(源程序很好的应用案例基于MATLAB)
    20、基于遗传算法的多目标优化
    21、多目标遗传算法matlab程序(里面有pdf的精助文档,方便用户使用)
    22、多目标优化进化算法程序(基于NSGA-2思想的多目标优化程序,采用进化算法处
    理多目标实值优化问题)
    23、NSGA3多目标优化算法
    24、基于非支配排序遮传算法处理多目标优化的matlab例程,可以自行修改
    25、NSGA2优化算法Mutlab求解多目标优化问题(遭传算法优化+帕累托排序,有效地
    解决了多目标优化问题,算例可行有效。)
    26、Matlab多目标优化(Matlab多目标优化 遗传算法源程序 很好的应用案例 基
    于MATLAB)
    27、C++实现的多目标进化算法库,包括常无较为经典的MOEA算法,如PNSGA,NPGA,SP
    EM等算法
    28、改进的自适应遗传算法和粒子群算法的混合算法(含单目标和多目标优化)
    29.多目标优化算法(四)NSGA3的代码(python3.6)
    30.多目标优化算法(一)NSGA2(C语言版和python版)
    31、基于种群分解,使用主元分析进行聚类分析和种群生成,种群进化使用NSGA-II选
    择机制优化
    32、敬电网多目标容量优化设计nsga2算法的natlab实现
    33. NSGA2-met laB
    34.NSGA2算法实现Python
    35、MTALAB NSGA2算法
    36、nsga2的源代码c
    37、NSGA2自定义优化函数MMTLAB代码
    38、基于9tetal4.0的NSGA II遗传算法 java源代码
    39.基于CH的多目标优化(包含NSGA、NSGA2、NSGA3以及其他相关算法)
    40、PIatEM0多日标算法平台,含多种算法

    展开全文
  • 一个快速和精英机制的多目标遗传算法NSGA2;Matlab编写;
  • 可被用来解决目标函数冲突的多目标优化问题
  • 本代码为NSGA2的python版,论文原文复现结果,实验文档和matlab见之前的资源。
  • NSGA II代码实现集合包含实例、讲解及 网络模型与多目标遗传算法书记(python、C、C++、matlab) 应用数学译丛 网络模型与多目标遗传算法_(日)玄光男,林林著;梁承姬,于歆杰译_北京:清华大学出版社_2017.03_248...
  • NSGA2学习笔记 Pareto-最优解的概念 1:解A优于解B(解A强帕累托支配解B) 假设现在有两个目标函数,解A对应的目标函数值都比解B对应的目标函数值好,则称解A比解B优越,也可以叫做解A强帕累托支配解B,举个例子,...

    NSGA2学习笔记


    代码下载地址:https://download.csdn.net/download/obsession54666/11123114

    • Pareto-最优解的概念
      在这里插入图片描述
      1:解A优于解B(解A强帕累托支配解B)
      假设现在有两个目标函数,解A对应的目标函数值都比解B对应的目标函数值好,则称解A比解B优越,也可以叫做解A强帕累托支配解B,举个例子,就很容易懂了图中代表的是两个目标的的解的情况,横纵坐标表示两个目标函数值,E点表示的解所对应的两个目标函数值都小于C,D两个点表示的解所对应的两个目标函数值,所以解E优于解C,D.
      2:解A无差别于解B(解A能帕累托支配解B)
      同样假设两个目标函数,解A对应的一个目标函数值优于解B对应的一个目标函数值,但是解A对应的另一个目标函数值要差于解B对应的一个目标函数值,则称解A无差别于解B,也叫作解A能帕累托支配解B,举个例子,还是上面的图,点C和点D就是这种情况,C点在第一个目标函数的值比D小,在第二个函数的值比D大。
      3:帕累托最优解
      同样假设两个目标函数,对于解A而言,在 变量空间 中找不到其他的解能够优于解A(注意这里的优于一定要两个目标函数值都优于A对应的函数值),那么解A就是帕累托最优解
    • 遗传算法流程图

    在这里插入图片描述

    • 竞标赛算法

    1、确定每次选择的个体数量N。(二元锦标赛选择即选择2个个体)
    2、从种群中随机选择N个个体(每个个体被选择的概率相同) ,根据每个个体的适应度值,选择其中适应度值最好的个体进入下一代种群。
    3、重复步骤2多次(重复次数为种群的大小),直到新的种群规模达到原来的种群规模。

    • 快速非支配排序

    在NSGA进行非支配排序时,规模为N的种群中的每个个体都要针对M个目标函数和种群中的N-1个个体进行比较,复杂度为O(MN),因此种群中的N个个体都比较结束的复杂度为O(MN2),即每进行一次Pareto分级的时间复杂度为O(MN2)。在最坏的情况下,每个Pareto级别都只含有一个个体,那么需要进行N次分级所需要的时间复杂度则会上升为O(MN3)。鉴于此,论文中提出了一种快速非支配排序法,该方法的时间复杂度为O(MN2)。
    该算法需要保存两个量:(1).支配个数np。该量是在可行解空间中可以支配个体p的所以个体的数量。 (2).被支配个体集合SP。该量是可行解空间中所有被个体p支配的个体组成的集合。

    • 快速拥挤系数估计程序

    为了维持种群多样性引入拥挤系数。拥挤系数的计算需要根据每一目标函数值的大小的升序顺序进行排序。对于每一目标函数,边界解被指定为无穷大距离的值。所有其它中间的解都被指定为等于两个相邻解的函数值归一化后的绝对值差。
    全部拥挤系数是通过个体每一目标距离值的加和计算得到的。每一项目标函数在计算拥挤系数前都会经过归一化处理。所有群成员被指定了一个距离度量,我们就能对比两个解与其它解的接近程度。一个拥有更小的距离度量的量值的解,在一定程度上,会被其它解挤掉。

    • 拥挤比较算子

    在两个有不同排名非支配解中,我们更喜欢拥有更低更好的排名解。否则如果两个解属于同一前沿面,那么我们更喜欢处于相对不太拥挤区域的解。

    • NSGA2流程

    在这里插入图片描述
    随机产生一个初始父代P0,在此基础上采用二元锦标赛选择、交叉和变异操作产生子代Q0,P0和Q0的种群规模均为N。将Pt和Qt并入到Rt中(初始时t=0),对Rt进行快速非支配解排序,构造其所有不同等级的非支配解集F1、F2。。。按照需要计算Fi中所有个体的拥挤距离,并根据拥挤比较运算符构造Pt+
    ,直至Pt+1规模为N,图中Fi为F3

    • 模拟二进制交叉

    在这里插入图片描述

    • 多项式变异
      在这里插入图片描述
    展开全文
  • 这个资源是我从其他网站搞来的,亲测可用。欢迎下载! 本代码为NSGA2的python版,论文原文复现结果,实验文档和matlab见之前的资源。
  • 如何开发多目标遗传算法。(其中附带了多目标遗传算法的程序)。以及遗传工具箱的应用!
  • 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...
  • 资源整理不易,欢迎下载交流学习! NSGA2优化算法Matlab求解多目标优化问题,遗传算法优化+帕累托排序,有效地解决了多目标优化问题,算例可行有效。
  • > obj_f + m + a + t + r ++ y + y[1] + y[2] + y[3] + y[4] + return(y)+ }> constr_f + a + b ++ cg + cg[1] + cg[2] + cg[3] + cg[4] + return(cg)+ }> res + ...

    > obj_f

    +   m

    +   a

    +   t

    +   r

    +

    +   y

    +   y[1]

    +   y[2]

    +   y[3]

    +   y[4]

    +   return(y)

    + }

    > constr_f

    +   a

    +   b

    +

    +   cg

    +   cg[1]

    +   cg[2]

    +   cg[3]

    +   cg[4]

    +   return(cg)

    + }

    > res

    +                      lower.bounds = c(243462.3, 38420, 2390.73,308239.1,150095.7,31654,16079.1,400),

    +                      upper.bounds = c(342696.7, 49135.9,2485.76,322601.5,178532.4,33915.0,18016.1,475.2),

    +                      constraints = constr_f, cdim = 4)

    > res

    $par

    [,1]     [,2]     [,3]     [,4]     [,5]     [,6]     [,7]     [,8]

    [1,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [2,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [3,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [4,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [5,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [6,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [7,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [8,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [9,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [10,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [11,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [12,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [13,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [14,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [15,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [16,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [17,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [18,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [19,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [20,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [21,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [22,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [23,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [24,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [25,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [26,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [27,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [28,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [29,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [30,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [31,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [32,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [33,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [34,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [35,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [36,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [37,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [38,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [39,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [40,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [41,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [42,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [43,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [44,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [45,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [46,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [47,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [48,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [49,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [50,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [51,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [52,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [53,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [54,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [55,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [56,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [57,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [58,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [59,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [60,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [61,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [62,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [63,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [64,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [65,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [66,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [67,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [68,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [69,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [70,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [71,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [72,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [73,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [74,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [75,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [76,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [77,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [78,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [79,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [80,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [81,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [82,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [83,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [84,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [85,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [86,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [87,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [88,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [89,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [90,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [91,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [92,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [93,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [94,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [95,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [96,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [97,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [98,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [99,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    [100,] 260341.8 47079.42 2410.948 319548.4 178514.9 33831.83 16197.44 475.1444

    $value

    [,1]      [,2]     [,3]      [,4]

    [1,] -19862757 -51473907 18433404 -16697393

    [2,] -19862757 -51473907 18433404 -16697393

    [3,] -19862757 -51473907 18433404 -16697393

    [4,] -19862757 -51473907 18433404 -16697393

    [5,] -19862757 -51473907 18433404 -16697393

    [6,] -19862757 -51473907 18433404 -16697393

    [7,] -19862757 -51473907 18433404 -16697393

    [8,] -19862757 -51473907 18433404 -16697393

    [9,] -19862757 -51473907 18433404 -16697393

    [10,] -19862757 -51473907 18433404 -16697393

    [11,] -19862757 -51473907 18433404 -16697393

    [12,] -19862757 -51473907 18433404 -16697393

    [13,] -19862757 -51473907 18433404 -16697393

    [14,] -19862757 -51473907 18433404 -16697393

    [15,] -19862757 -51473907 18433404 -16697393

    [16,] -19862757 -51473907 18433404 -16697393

    [17,] -19862757 -51473907 18433404 -16697393

    [18,] -19862757 -51473907 18433404 -16697393

    [19,] -19862757 -51473907 18433404 -16697393

    [20,] -19862757 -51473907 18433404 -16697393

    [21,] -19862757 -51473907 18433404 -16697393

    [22,] -19862757 -51473907 18433404 -16697393

    [23,] -19862757 -51473907 18433404 -16697393

    [24,] -19862757 -51473907 18433404 -16697393

    [25,] -19862757 -51473907 18433404 -16697393

    [26,] -19862757 -51473907 18433404 -16697393

    [27,] -19862757 -51473907 18433404 -16697393

    [28,] -19862757 -51473907 18433404 -16697393

    [29,] -19862757 -51473907 18433404 -16697393

    [30,] -19862757 -51473907 18433404 -16697393

    [31,] -19862757 -51473907 18433404 -16697393

    [32,] -19862757 -51473907 18433404 -16697393

    [33,] -19862757 -51473907 18433404 -16697393

    [34,] -19862757 -51473907 18433404 -16697393

    [35,] -19862757 -51473907 18433404 -16697393

    [36,] -19862757 -51473907 18433404 -16697393

    [37,] -19862757 -51473907 18433404 -16697393

    [38,] -19862757 -51473907 18433404 -16697393

    [39,] -19862757 -51473907 18433404 -16697393

    [40,] -19862757 -51473907 18433404 -16697393

    [41,] -19862757 -51473907 18433404 -16697393

    [42,] -19862757 -51473907 18433404 -16697393

    [43,] -19862757 -51473907 18433404 -16697393

    [44,] -19862757 -51473907 18433404 -16697393

    [45,] -19862757 -51473907 18433404 -16697393

    [46,] -19862757 -51473907 18433404 -16697393

    [47,] -19862757 -51473907 18433404 -16697393

    [48,] -19862757 -51473907 18433404 -16697393

    [49,] -19862757 -51473907 18433404 -16697393

    [50,] -19862757 -51473907 18433404 -16697393

    [51,] -19862757 -51473907 18433404 -16697393

    [52,] -19862757 -51473907 18433404 -16697393

    [53,] -19862757 -51473907 18433404 -16697393

    [54,] -19862757 -51473907 18433404 -16697393

    [55,] -19862757 -51473907 18433404 -16697393

    [56,] -19862757 -51473907 18433404 -16697393

    [57,] -19862757 -51473907 18433404 -16697393

    [58,] -19862757 -51473907 18433404 -16697393

    [59,] -19862757 -51473907 18433404 -16697393

    [60,] -19862757 -51473907 18433404 -16697393

    [61,] -19862757 -51473907 18433404 -16697393

    [62,] -19862757 -51473907 18433404 -16697393

    [63,] -19862757 -51473907 18433404 -16697393

    [64,] -19862757 -51473907 18433404 -16697393

    [65,] -19862757 -51473907 18433404 -16697393

    [66,] -19862757 -51473907 18433404 -16697393

    [67,] -19862757 -51473907 18433404 -16697393

    [68,] -19862757 -51473907 18433404 -16697393

    [69,] -19862757 -51473907 18433404 -16697393

    [70,] -19862757 -51473907 18433404 -16697393

    [71,] -19862757 -51473907 18433404 -16697393

    [72,] -19862757 -51473907 18433404 -16697393

    [73,] -19862757 -51473907 18433404 -16697393

    [74,] -19862757 -51473907 18433404 -16697393

    [75,] -19862757 -51473907 18433404 -16697393

    [76,] -19862757 -51473907 18433404 -16697393

    [77,] -19862757 -51473907 18433404 -16697393

    [78,] -19862757 -51473907 18433404 -16697393

    [79,] -19862757 -51473907 18433404 -16697393

    [80,] -19862757 -51473907 18433404 -16697393

    [81,] -19862757 -51473907 18433404 -16697393

    [82,] -19862757 -51473907 18433404 -16697393

    [83,] -19862757 -51473907 18433404 -16697393

    [84,] -19862757 -51473907 18433404 -16697393

    [85,] -19862757 -51473907 18433404 -16697393

    [86,] -19862757 -51473907 18433404 -16697393

    [87,] -19862757 -51473907 18433404 -16697393

    [88,] -19862757 -51473907 18433404 -16697393

    [89,] -19862757 -51473907 18433404 -16697393

    [90,] -19862757 -51473907 18433404 -16697393

    [91,] -19862757 -51473907 18433404 -16697393

    [92,] -19862757 -51473907 18433404 -16697393

    [93,] -19862757 -51473907 18433404 -16697393

    [94,] -19862757 -51473907 18433404 -16697393

    [95,] -19862757 -51473907 18433404 -16697393

    [96,] -19862757 -51473907 18433404 -16697393

    [97,] -19862757 -51473907 18433404 -16697393

    [98,] -19862757 -51473907 18433404 -16697393

    [99,] -19862757 -51473907 18433404 -16697393

    [100,] -19862757 -51473907 18433404 -16697393

    $pareto.optimal

    [1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE

    [19] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE

    [37] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE

    [55] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE

    [73] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE

    [91] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE

    attr(,"class&quot

    [1] "nsga2" "mco"

    > sum(res$par[1,])

    [1] 858399.8

    > ## 启发式算法, 跑多几次代码

    展开全文
  • 多目标遗传算法NSGA-III)matlab源代码 多目标遗传算法NSGA-III)matlab源代码 多目标遗传算法NSGA-III)matlab源代码 多目标遗传算法NSGA-III)matlab源代码已验证
  • 该代码是免费提供的 ... 使用上述算法解决了几个基准问题,包括整数变量的问题。 指导方针: 打开“NSGA_II_Abril_Test.m”。 选择您想要的“p”基准问题(p=2 ---> ZDT1 问题)。 运行“NSGA_II_Abril_Test.m”

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 753
精华内容 301
关键字:

多目标nsga2遗传算法