搜索资源列表
MultiobjectiveGeneticAlgorithm
- 多目标遗传算法/用法不用多说、要用的赶快下载吧-Multi-objective Genetic Algorithm/usage Needless to say, want to use to download it as soon as possible
paretofront
- pareto front multi objective optimization
logisticsuanfa
- 多目标优化 相对传统多目标优化方法, PSO在求解多目标问题上具有很大优势。首先, PSO的高效搜索能力有利于得到多目标意义下的最优解 其次, PSO通过代表整个解集的种群按内在的并行方式同时搜索多个非劣解,因此容易搜索到多个Pareto 最优解 再则, PSO的通用性使其适合于处理所有类型的目标函数和约束 另外, PSO 很容易与传统方法相结合,进而提出解决特定问题的高效方法。就PSO 本身而言,为了更好地解决多目标优化问题,必须解决全局最优粒子和个体最优粒子的选择问题-Compared
decisor_correlacao_generalizado
- It s a neural network decisor for Pareto set based in cross-correlation between a specific noise model and sucessive aproximation errors of the neural network that generates each solution of Pareto set.
GApareto
- it is about ga pareto
NSGA2-MATLAB-Codes
- nsga2算法实例，用于多目标优化,基于pareto排序以及共享函数的多目标遗传算法-An example of NSGA2 algorithm, for multi objective optimization
example_pareto_solution
- example for pareto solution using matlab
contoh pareto_lageee
- example pareto matlab
contoh pareto_lageee
- pareto matlab example
pareto
- 基于MATLAB的帕累托求解，求最小值边界或曲面(the Pareto solver program based on MATLAB to find the minimum boundary or surface)
SPEA2
- 强parato支配方法求解一组非支配的最优解，效果很好(SPEA2: Improving the Strength Pareto Evolutionary Algorithm)
源程序
- based on matlab and use network analysis of 30 case
GetParetoSet
- 该方法为Perato前沿解的求解方法，使用Matlab平台计算(This method is the solution of Perato front solution and is calculated by Matlab platform)
optimal tracing in topology optimization
- a algorithm for generating Pareto frontier111111111111111111111111(a algorithm for generating Pareto frontier 111111111111111111111)
NSGA-II-matlab
- 多目标遗传算法，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(NSGA-|| algorithm Pareto)
遗传算法多目标优化
- 在matlab语言中，采用遗传算法求多目标优化，文件里面有相关的pareto图(In Matlab language, the genetic algorithm is used to achieve multi-objective optimization. There are related Pareto graphs in the file)
ParetoFronts
- about pareto fronts with matlab language
NSGA-III
- 测试可以跑，根据自己情况修改下函数即可. NSGA-III 首先定义一组参考点。然后随机生成含有 N 个（原文献说最好与参考点个数相同）个体的初始种群，其中 N 是种群大小。接下来，算法进行迭代直至终止条件满足。在第 t 代，算法在当前种群 Pt的基础上，通过随机选择，模拟两点交叉（Simulated Binary Crossover，SBX）和多项式变异 产生子代种群 Qt。Pt和 Qt的大小均为 N。因此，两个种群 Pt和 Qt合并会形成种群大小为 2N 的新的种群 Rt=Pt∪Qt。 为了
NSGA
- 多目标遗传算法是NSGA-II[1]（改进的非支配排序算法）,该遗传算法相比于其它的多目标遗传算法有如下优点：传统的非支配排序算法的复杂度为 ，而NSGA-II的复杂度为 ，其中M为目标函数的个数，N为种群中的个体数。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。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