多目标进化优化算法基础篇——NSGA-Ⅱ算法。
NSGA主要问题：1、构造pareto最优解集计算复杂度太高，为O(),m为目标个数，N为种群大小2、需预先设定共享参数3、没有采取外部种群策略（即精英保留机制）NSGA-Ⅱ改进情况：1、快速非支配解排序2、基于拥堵距离保持解集多样性3、引入精英保留机制保持优良个体
NSGA主要问题：1、构造pareto最优解集计算复杂度太高，为O(),m为目标个数，N为种群大小2、需预先设定共享参数3、没有采取外部种群策略（即精英保留机制）NSGA-Ⅱ改进情况：1、快速非支配解排序2、基于拥堵距离保持解集多样性3、引入精英保留机制保持优良个体
2021/10/6 4:34:58
1.56MB
1
我的思路是这样的：最速下降法能找出全局最优点，但在接近最优点的区域内就会陷入“齿型”迭代中，使其每进行一步迭代都要花掉非常久的时间，这样长久的等待是无法忍耐的，不信你就在我那个程序的第一步迭代中把精度取得很小如：0.000000001等，其实我等过一个钟都没有什么结果出来。
再者我们考究一下牛顿迭代法求最优问题，牛顿法相对最速下降法的速度就快得多了，而且还有一个好处就是能高度逼近最优值，而不会出现死等待的现象。
如后面的精度，你可以取如：0.0000000000001等。
但是牛顿法也有缺点，就是要求的初始值非常严格，如果取不好，逼近的最优解将不收敛，甚至不是最优解。
就算收敛也不能保证那个结就是全局最优解，所以我们的出发点应该是：为牛顿法找到一个好的初始点，而且这个初始点应该是在全局最优点附近，这个初始点就能保证牛顿法高精度收敛到最优点，而且速度还很快。
思路概括如下：1。
用最速下降法在大范围找到一个好的初始点给牛顿法：（最速下降法在精度不是很高的情况下逼近速度也是蛮快的）2。
在最优点附近改用牛顿法，用最速下降法找到的点为牛顿法的初始点，提高逼近速度与精度。
3。
这样两种方法相结合，既能提高逼近的精度，还能提高逼近的速度，而且还能保证是全局最优点。
这就充分吸收各自的优点，扬长避短。
得到理想的结果了。
再者我们考究一下牛顿迭代法求最优问题，牛顿法相对最速下降法的速度就快得多了，而且还有一个好处就是能高度逼近最优值，而不会出现死等待的现象。
如后面的精度，你可以取如：0.0000000000001等。
但是牛顿法也有缺点，就是要求的初始值非常严格，如果取不好，逼近的最优解将不收敛，甚至不是最优解。
就算收敛也不能保证那个结就是全局最优解，所以我们的出发点应该是：为牛顿法找到一个好的初始点，而且这个初始点应该是在全局最优点附近，这个初始点就能保证牛顿法高精度收敛到最优点，而且速度还很快。
思路概括如下：1。
用最速下降法在大范围找到一个好的初始点给牛顿法：（最速下降法在精度不是很高的情况下逼近速度也是蛮快的）2。
在最优点附近改用牛顿法，用最速下降法找到的点为牛顿法的初始点，提高逼近速度与精度。
3。
这样两种方法相结合，既能提高逼近的精度，还能提高逼近的速度，而且还能保证是全局最优点。
这就充分吸收各自的优点，扬长避短。
得到理想的结果了。
2021/8/24 8:13:46
3KB
1
★问题描述：给定一个赋权无向图G=(V,E),每个顶点v∈V都有一个权值w(v)。
如果U∈V,且对任意(u,v)∈E有u∈U或v∈U,就称U为图G的一个顶点条覆盖.G的最小权顶点覆盖是指G中所含顶点权之和最小的顶点覆盖。
★算法设计：对于结定的无向图G,设计一个优先队列式分支限界法,计算G的最小权顶点覆盖。
★数据输入：由文件input.txt给出输入数据。
第1行有2个正整数n和m,表示给定的图G有n个顶点和m条边,顶点编号为1,2,.....,n.第2行有n个正整数表示n个顶点的权.接上去的m行中,每行有2个正整数u,v,表示图G的一条边(u,v)。
★结果输出：将计算出的最小权顶点覆盖的顶点权之和以及最优输出到文件output.txt.文件第1行是最小权顶点覆盖顶点权之和;第2行是最优解xi,1≤i≤n,xi=0表示顶点i不在最小权顶点覆盖中。
如果U∈V,且对任意(u,v)∈E有u∈U或v∈U,就称U为图G的一个顶点条覆盖.G的最小权顶点覆盖是指G中所含顶点权之和最小的顶点覆盖。
★算法设计：对于结定的无向图G,设计一个优先队列式分支限界法,计算G的最小权顶点覆盖。
★数据输入：由文件input.txt给出输入数据。
第1行有2个正整数n和m,表示给定的图G有n个顶点和m条边,顶点编号为1,2,.....,n.第2行有n个正整数表示n个顶点的权.接上去的m行中,每行有2个正整数u,v,表示图G的一条边(u,v)。
★结果输出：将计算出的最小权顶点覆盖的顶点权之和以及最优输出到文件output.txt.文件第1行是最小权顶点覆盖顶点权之和;第2行是最优解xi,1≤i≤n,xi=0表示顶点i不在最小权顶点覆盖中。
2015/2/20 23:57:17
363KB
1
在对网络中的各联络开关按其单独闭合后构成的环路之间的联系进行分类,并辨明了网损目标函数的极小点与系统基本邻域结构的对应关系之后,提出了一种新的大规模三相不平衡配电系统网络重构算法。
该算法隐含并行地在各个邻域结构内进行寻优搜索,其重构结果不依赖于系统的初始拓扑,也不依赖于开关的操作次序。
其寻优能力不劣于模拟退火法,而计算时间却比模拟退火法大大节省。
一般经2次到3次网络寻优遍历,即可获得系统的全局或近似全局最优解
该算法隐含并行地在各个邻域结构内进行寻优搜索,其重构结果不依赖于系统的初始拓扑,也不依赖于开关的操作次序。
其寻优能力不劣于模拟退火法,而计算时间却比模拟退火法大大节省。
一般经2次到3次网络寻优遍历,即可获得系统的全局或近似全局最优解
2018/3/19 9:34:40
184KB
1
用网格法寻觅最优解，libsvm网格法查找最优解函数SVMcgForClass.m（内用libsvmtrain函数来代替svmtrain函数）
2015/1/10 10:28:18
3KB
1
Matlab源码：遗传算法求混合流水车间调度最优问题（JSPGA），附带matlab源码程序，采用双重种群，可以绘制出每次迭代的最优值和平均值的变化，以及最初绘制最优解的车间调度甘特图
2016/7/26 8:40:34
4KB
1
粒子群优化(ParticleSwarmOptimization-PSO)算法是近年来发展起来的一种新的进化算法(EvolutionaryAlgorithm-EA).PSO算法属于进化算法的一种,和遗传算法相似,它也是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价解的质量.但是它比遗传算法规则更为简单,它没有遗传算法的“交叉”(Crossover)和“变异”(Mutation)操作.它通过追随当前搜索到的最优值来寻找全局最优。
2016/10/27 1:57:04
34KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB