Skip to content

MOEAD.多目标差分进化算法的学习,Python实现&动态展示过程

License

Notifications You must be signed in to change notification settings

425776024/MOEAD

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

24 Commits
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

MOEAD-python动态+bilibili视频讲解😄

有不能理解的可以加QQ一起沟通

本代码是对MOEA/D: A Multiobjective Evolutionary Algorithm Based on Decomposition论文中算法编程实现。(也许是:全网第一个python&可视化版本)

MOEAD算法论文大致介绍详细,这个中文的帖子也不错:https://blog.csdn.net/sinat_33231573/article/details/80271801

不过自己实现中发现,坑点至少有2个: 1.如何生成均匀权向量,这个在Mean_Vector_Utils.py文件中已经实现,可以直接用,大致是用一个拔插法的思想,我的另一个帖子也说了下怎么生成的一个效果:MOEAD算法中均匀权向量的实现---Python。 2.如何产生下一代解y,这个处理的不好几乎做不到论文中那样完美的Pareto前沿面效果,论文中也只是说了一句话:产生新解o(╥﹏╥)o,我这里用了当目标优化的遗传GA加极值优化EO产生下一代,效果尚可,2个30维函数的目标联合优化,只需要100代,1-2秒钟左右即可找到较完美的解,3目标的DTLZ1的pareto前沿形状找的很完美,但是解还是差太多,可是是哪里出了问题。持续改进中。

bilibili本代码视频

(确保)已经基本了解MOEAD和看了本代码了

MOEAD bilibili

代码结构: problem:求解问题函数目录 vector_csv_file:求解问题的均匀权向量生成目录 ZDT1:

ZDT2:

ZDT4:

DTLZ1:

MOEA/D算法:

(我这只简单介绍,详情网上、paper看,然后再看这代+b站视频,这样会好点。希望能帮到你!)

输入: 
•多目标优化 
•停止标准;
•N: MOEA/D考虑的子问题的数量
•N个权重向量的均匀分布: λ1,...,λN;
•T:每个权重向量的附近的权重向量的数量
输出:EP

步骤1) 初始化:
第1.1 步)创建一个外部种群(EP)用于存储过程优秀个体,初始为空
第1.2 步)计算任何两个权重向量之间的欧氏距离,然后计算出每个权重向量的最近权重向量T。对于每个i=1,…,N,设置
B(i)={i1,...,iT},其中λi1,,..,λiT是λi的最近T权重向量
第1.3 步)生成初始数量的随机的x1,...,xN或特定问题的方法。设置FVi=F(xi) 
第1.4 步)由特定于问题的方法初始化z=(z1,...,zm)T。
步骤2) 更新:
对于i =1,…,N
步骤2.1) 复制: 从B(i)随机选择两个索引k,l,然后通过使用差分进化从xk和xl生成一个新的解决方案y。
步骤2.2) 改进: 应用特定于问题的修复/改进启发式由y 产生y’
步骤2.3) 更新Z:对于每一个j=1,...,m,判断y是否可能替换原有极值,如果zj<fj(y’),则设置zj=fj(y’)
步骤2.4)更新领域解B(i),对于领域中每个权值向量λj,如果得到优化,则更新;
步骤2.5) 更新EP:从EP中删除所有被F(y’)支配的向量。如果外部种群 (EP)中没有支配F(y’)的向量,则将F(y’)添加至EP
步骤3) 停止条件: 如果满足停止条件,则停止和输出EP。否则,重复步骤 2
在初始化中, B(i)包含λi的T最近向量。我们使用欧几里德距离来测量任何两个权重向量之间的接近程度。因此,λi的最近向量是它自己,其中i∈B(i)。如果j∈B(i),则第j个子问题可以看作是子问题i的近邻。

About

MOEAD.多目标差分进化算法的学习,Python实现&动态展示过程

Topics

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages