搜索资源列表
paretofront
- pareto front multi objective optimization
aaaa
- 基于生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能,提出一种动态多目标免疫 优化算法处理动态多目标优化问题.算法设计中,依据自适应ζ邻域及抗体所处位置设计抗体的亲和力,基于Pa- reto控制的概念,利用分层选择确定参与进化的抗体,经由克隆扩张及自适应高斯变异,提高群体的平均亲和力,利 用免疫记忆、动态维持和Average linkage聚类方法,设计环境识别规则和记忆池,借助3种不同类型的动态多目标 测试问题,通过与出众的动态环境优化算法比较,数值实验表明所
bbbb
- 摘 要:提出一种新的基于Pareto多目标进化免疫算法(PMEIA)。算法在每一代进化群体中选取最优非支配抗体保存到记忆细胞文档中 同时引入Parzen窗估计法计算记忆细胞的熵值,根据熵值对记忆细胞文档进行动更新,使算法向着理想Pareto最优边界搜索。此外,算法基于点在目标空间分况进行克隆选择,有利于得到分布较广的Pareto最优边界,且加快了收敛速度。与已有算法相比, PMEIA在收敛性、多样性,以及解的分布性方面都得到很好的提高。-Abstract:This paperproposed a
cccc
- 摘要:提出了一种新型的人工免疫算法用来解决多目标函数优化问题。基于自然免疫系统固有的优良特性对算法进行了设计和分析。 最后,算法对3个较复杂的多目标问题进行了优化,优化结果能很好地覆盖问题的Pareto最优面,并且把算法与某些混合遗传算法进行 了对比实验,表明人工免疫算法在解决多目标优化问题上具有可观的研究前景。 -Abstract:In order to effectively solve multiobjective optimization problems, a novel
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