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2w次,点赞7次,收藏51次。四个步骤1.创建C++ Win32项目动态库dll 2.在Win32项目动态库中添加 外部依赖项 lib头文件和lib库3.导出C接口4.c#调用c++动态库开始你的表演...①创建一个空白的解决方案,在解决方案中添加 Visual C++ , Win32 项目空白解决方案的创建:添加Visual C++ , Win32 项目这......_c#调用lib
文章浏览阅读4.6k次。苹方字体是苹果系统上的黑体,挺好看的。注重颜值的网站都会使用,例如知乎:font-family: -apple-system, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Microsoft YaHei, Source Han Sans SC, Noto Sans CJK SC, W..._ubuntu pingfang
文章浏览阅读159次。表单表单概述表单标签表单域按钮控件demo表单标签表单标签基本语法结构<form action="处理数据程序的url地址“ method=”get|post“ name="表单名称”></form><!--action,当提交表单时,向何处发送表单中的数据,地址可以是相对地址也可以是绝对地址--><!--method将表单中的数据传送给服务器处理,get方式直接显示在url地址中,数据可以被缓存,且长度有限制;而post方式数据隐藏传输,_html表单的处理程序有那些
文章浏览阅读1.2k次。使用说明:开启Google的登陆二步验证(即Google Authenticator服务)后用户登陆时需要输入额外由手机客户端生成的一次性密码。实现Google Authenticator功能需要服务器端和客户端的支持。服务器端负责密钥的生成、验证一次性密码是否正确。客户端记录密钥后生成一次性密码。下载谷歌验证类库文件放到项目合适位置(我这边放在项目Vender下面)https://github.com/PHPGangsta/GoogleAuthenticatorPHP代码示例://引入谷_php otp 验证器
文章浏览阅读4.3k次,点赞5次,收藏11次。matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距
文章浏览阅读2.2k次。①Storage driver 处理各镜像层及容器层的处理细节,实现了多层数据的堆叠,为用户 提供了多层数据合并后的统一视图②所有 Storage driver 都使用可堆叠图像层和写时复制(CoW)策略③docker info 命令可查看当系统上的 storage driver主要用于测试目的,不建议用于生成环境。_docker 保存容器
文章浏览阅读834次,点赞27次,收藏13次。网络拓扑结构是指计算机网络中各组件(如计算机、服务器、打印机、路由器、交换机等设备)及其连接线路在物理布局或逻辑构型上的排列形式。这种布局不仅描述了设备间的实际物理连接方式,也决定了数据在网络中流动的路径和方式。不同的网络拓扑结构影响着网络的性能、可靠性、可扩展性及管理维护的难易程度。_网络拓扑csdn
文章浏览阅读1.8k次,点赞5次,收藏8次。IOS系统Date的坑要创建一个指定时间的new Date对象时,通常的做法是:new Date("2020-09-21 11:11:00")这行代码在 PC 端和安卓端都是正常的,而在 iOS 端则会提示 Invalid Date 无效日期。在IOS年月日中间的横岗许换成斜杠,也就是new Date("2020/09/21 11:11:00")通常为了兼容IOS的这个坑,需要做一些额外的特殊处理,笔者在开发的时候经常会忘了兼容IOS系统。所以就想试着重写Date函数,一劳永逸,避免每次ne_date.prototype 将所有 ios
文章浏览阅读5.3k次。方法一:用PLSQL Developer工具。 1 在PLSQL Developer的sql window里输入select * from test for update; 2 按F8执行 3 打开锁, 再按一下加号. 鼠标点到第一列的列头,使全列成选中状态,然后粘贴,最后commit提交即可。(前提..._excel导入pl/sql
文章浏览阅读83次。Git常用命令速查手册1、初始化仓库git init2、将文件添加到仓库git add 文件名 # 将工作区的某个文件添加到暂存区 git add -u # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,不处理untracked的文件git add -A # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,包括untracked的文件...
文章浏览阅读202次。分享119个ASP.NET源码总有一个是你想要的_千博二手车源码v2023 build 1120
文章浏览阅读1.8k次。版权声明:转载请注明出处 http://blog.csdn.net/irean_lau。目录(?)[+]1、缺省构造函数。2、缺省拷贝构造函数。3、 缺省析构函数。4、缺省赋值运算符。5、缺省取址运算符。6、 缺省取址运算符 const。[cpp] view plain copy_空类默认产生哪些类成员函数