资源简介
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。
为了从种群 Rt中选择最好的 N 个解进入下一代,首先利用基于Pareto支配的非支配排序将 Rt分为若干不同的非支配层(F1,F2等等)。然后,算法构建一个新的种群St,构建方法是从 F1开始,逐次将各非支配层的解加入到 St,直至 St的大小等于 N,或首次大于 N。假设最后可以接受的非支配层是 L层,那么在 L+ 1 层以及之后的那些解就被丢弃掉了,且 St\ FL中的解已经确定被选择作为 Pt+1中的解。Pt+1中余下的个体需要从 FL中选取,选择的依据是要使种群在目标空间中具有理想的多样性。
代码片段和文件信息
%
% Copyright (c) 2016 Yarpiz (www.yarpiz.com)
% All rights reserved. Please read the “license.txt“ for license terms.
%
% Project Code: YPEA126
% Project title: Non-dominated Sorting Genetic Algorithm III (NSGA-III)
% Publisher: Yarpiz (www.yarpiz.com)
%
% Implemented by: S. Mostapha Kalami Heris PhD (member of Yarpiz Team)
%
% Contact Info: sm.kalami@gmail.com info@yarpiz.com
%
% base Reference Paper:
% K. Deb and H. Jain “An Evolutionary Many-objective Optimization Algorithm
% Using Reference-Point-based Nondominated Sorting Approach Part I: Solving
% Problems With Box Constraints“
% in IEEE Transactions on Evolutionary Computation
% vol. 18 no. 4 pp. 577-601 Aug. 2014.
%
% Reference Papaer URL: http://doi.org/10.1109/TEVC.2013.2281535
%
function [pop d rho] = AssociateToReferencePoint(pop params)
Zr = params.Zr;
nZr = params.nZr;
rho = zeros(1nZr);
d = zeros(numel(pop) nZr);
for i = 1:numel(pop)
for j= 1:nZr
w = Zr(:j)/norm(Zr(:j));
z = pop(i).NormalizedCost;
d(ij) = norm(z - w‘*z*w);
end
[dmin jmin] = min(d(i:));
pop(i).AssociatedRef = jmin;
pop(i).DistanceToAssociatedRef = dmin;
rho(jmin) = rho(jmin) + 1;
end
end
属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
文件 1350 2016-12-12 00:02 YPEA126 NSGA-III\license.txt
文件 1363 2016-12-12 00:13 YPEA126 NSGA-III\NSGA-III\AssociateToReferencePoint.m
文件 937 2016-12-12 00:13 YPEA126 NSGA-III\NSGA-III\Crossover.m
文件 956 2016-12-12 00:13 YPEA126 NSGA-III\NSGA-III\Dominates.m
文件 1321 2016-12-12 00:13 YPEA126 NSGA-III\NSGA-III\GenerateReferencePoints.m
文件 1350 2016-12-12 00:02 YPEA126 NSGA-III\NSGA-III\license.txt
文件 800 2016-12-12 00:12 YPEA126 NSGA-III\NSGA-III\main.m
文件 2613 2018-06-29 21:14 YPEA126 NSGA-III\NSGA-III\MOP2.m
文件 970 2016-12-12 00:13 YPEA126 NSGA-III\NSGA-III\Mutate.m
文件 2251 2016-12-12 00:13 YPEA126 NSGA-III\NSGA-III\NonDominatedSorting.m
文件 1291 2016-12-12 00:13 YPEA126 NSGA-III\NSGA-III\NormalizePopulation.m
文件 3873 2018-06-29 21:33 YPEA126 NSGA-III\NSGA-III\nsga3.m
文件 1628 2016-12-12 00:13 YPEA126 NSGA-III\NSGA-III\PerformScalarizing.m
文件 1023 2018-06-30 15:20 YPEA126 NSGA-III\NSGA-III\PlotCosts.m
文件 2347 2016-12-12 00:13 YPEA126 NSGA-III\NSGA-III\SortAndSelectPopulation.m
文件 1068 2016-12-12 00:13 YPEA126 NSGA-III\NSGA-III\UpdateIdealPoint.m
文件 735 2018-06-29 20:27 YPEA126 NSGA-III\NSGA-III\wifi_through.m
文件 121 2015-08-23 04:35 YPEA126 NSGA-III\NSGA-III\www.yarpiz.com.url
文件 121 2015-08-23 04:35 YPEA126 NSGA-III\www.yarpiz.com.url
目录 0 2018-07-01 13:55 YPEA126 NSGA-III\NSGA-III
目录 0 2017-09-12 14:32 YPEA126 NSGA-III
----------- --------- ---------- ----- ----
26118 21
- 上一篇:北科考研计算机考试大纲与组成原理历年真题
- 下一篇:光学专业英语词汇-中英对照
相关资源
- 基于遗传算法的控制系统的系统辨识
- 结合遗传算法优化BP神经网络的结构和
- 基于遗传算法的机组组合
- 基于遗传算法的作业车间调度优化
- 遗传算法解决TSP问题全
- 基于遗传算法的小波神经网络交通流
- 三维装箱问题的模型与改进遗传算法
- 基于改进免疫遗传算法的矩形件排样
- 基于最短路算法和遗传算法的配电网
- unity_神经网络_遗传算法_简易框架
- 多目标遗传算法源代码
- 基于遗传算法的分支覆盖测试用例自
- 遗传算法优化bp神经网络.zip
- 回溯法、遗传算法、CSP最小冲突法解
- 遗传算法代码
- PSO-GA-RBF
- 遗传算法目标函数真实ZDT(1-6)DTLZ(
- 遗传算法路径搜索代码
- 遗传算法解决车辆路径问题VRP
- 基于遗传算法的排课系统实现
- 遗传算法深度解析教程
- 基于遗传算法B样条曲线优化在机器人
- 遗传算法优化神经网络BP)进行预测
- 遗传算法波段选择
- 计算机专业人工智能遗传算法实验报
- 基于遗传算法的电力系统无功优化程
- GA-PLS 遗传算法部分最小二乘
- 遗传算法——最短路径问题
- 作业遗传算法解决Max f (x1 x2) =
- 基于遗传算法更新BP神经网络的权值以
评论
共有 条评论