網站建設很難嗎,wordpress有哪些彈窗插件,空白word個人簡歷模板下載,做個中英文網站多少錢兩種較新多目標優(yōu)化算法對比#xff08;多目標小龍蝦優(yōu)化算法MOCOA多目標霸王龍優(yōu)化算法MOTROA)多目標小龍蝦優(yōu)化算法MOCOA多目標霸王龍優(yōu)化算法MOTROA#xff0c;均為較新的優(yōu)化算法#xff0c;具有較強的研究價值,也可增加其他算法進來#xff0c;使得測試函數(shù)對比圖更加…兩種較新多目標優(yōu)化算法對比多目標小龍蝦優(yōu)化算法MOCOA多目標霸王龍優(yōu)化算法MOTROA) 多目標小龍蝦優(yōu)化算法MOCOA多目標霸王龍優(yōu)化算法MOTROA均為較新的優(yōu)化算法具有較強的研究價值,也可增加其他算法進來使得測試函數(shù)對比圖更加清晰絢麗。 可以基于一種算法做改進然后與經典的多目標優(yōu)化算法如NSGA-2,NSGA-3MODE等等整合到一張圖上對比效果圖應該會非常直觀好看。 該程序將兩種算法和到一起即運行一次即可直接出如下的對比圖。 本代碼共計46種測試函數(shù)外加1種應用測試函數(shù)分別為 %1-5:ZDT1、ZDT2、ZDT3、ZDT4、ZDT6 %6-12DTLZ1-DTLZ7 %13-22wfg1-wfg10 %23-32uf1-uf10 %33-42cf1-cf10 %43-46:Kursawe、Poloni、Viennet2、Viennet3 算法評價指標為IGD、GD、HV、Spacing 為了對比時可以清晰的看出對比效果如果初始種群數(shù)量設置過大則所有解均在帕累托前沿上無法體現(xiàn)算法性能MOCOA與MOTROA種群數(shù)量均設置為20想增強求解能力增大需要增大種群數(shù)量。 部分效果如下所示嘿各位技術宅們今天咱來嘮嘮兩種超有意思的多目標優(yōu)化算法——多目標小龍蝦優(yōu)化算法MOCOA和多目標霸王龍優(yōu)化算法MOTROA。這倆算法可是新鮮出爐研究價值那叫一個高絕對值得咱深入探究一番。咱先說說為啥要研究這倆算法。在復雜的多目標優(yōu)化問題面前傳統(tǒng)算法有時候就有點力不從心了。而 MOCOA 和 MOTROA 就像是兩把新的“利器”給我們提供了不一樣的解決思路。為了讓這場對比更加精彩我們還可以拉上一些經典的多目標優(yōu)化算法來一起“玩”比如 NSGA - 2、NSGA - 3 以及 MODE 等等。把它們整合到一張圖上進行對比那效果簡直不要太直觀好看想象一下各種算法的表現(xiàn)一目了然就像一場激烈的算法“武林大會”。這里我們要寫個程序把 MOCOA 和 MOTROA 這兩種算法“揉”到一起運行一次就能直接得到對比圖。是不是聽起來就很酷測試函數(shù)大集合這個程序可不簡單它一共有 46 種測試函數(shù)外加 1 種應用呢。咱先來看看這些測試函數(shù)都有啥%1 - 5:ZDT1、ZDT2、ZDT3、ZDT4、ZDT6 %6 - 12DTLZ1 - DTLZ7 %13 - 22wfg1 - wfg10 %23 - 32uf1 - uf10 %33 - 42cf1 - cf10 %43 - 46:Kursawe、Poloni、Viennet2、Viennet3這些測試函數(shù)涵蓋了各種類型的多目標優(yōu)化場景能夠全面地檢驗算法的性能。比如說 ZDT 系列函數(shù)常用于測試算法在不同 Pareto 前沿形狀下的表現(xiàn)。像 ZDT1 函數(shù)它的 Pareto 前沿是一個線性的形狀通過這個函數(shù)可以看看算法在處理這種簡單形狀前沿時的效率。算法評價指標光有測試函數(shù)還不行咱得有衡量算法好壞的標準也就是評價指標。這里我們選用了 IGD、GD、HV、Spacing 這幾個指標。IGDInverted Generational Distance它衡量的是算法得到的非支配解集與真實 Pareto 前沿之間的距離。IGD 值越小說明算法得到的解越接近真實前沿也就意味著算法性能越好。GDGenerational Distance這個指標主要關注的是算法得到的解與真實 Pareto 前沿上最近點的平均距離。同樣GD 值越小算法表現(xiàn)越優(yōu)。HVHypervolumeHV 可以理解為算法得到的非支配解集所覆蓋的目標空間體積。HV 值越大說明算法找到的解在目標空間中覆蓋的范圍越廣也就表示算法搜索到的解越好。Spacing它用來評估非支配解集中解的分布均勻性。Spacing 值越小說明解在 Pareto 前沿上分布得越均勻。種群數(shù)量的小秘密在對比過程中為了能清晰地看出對比效果這里面還有個小竅門哦。如果初始種群數(shù)量設置過大所有解可能都會跑到帕累托前沿上這樣就沒辦法體現(xiàn)出算法的性能差異了。所以呢我們把 MOCOA 與 MOTROA 的種群數(shù)量都設置為 20 。要是你想增強算法的求解能力那就得適當增大種群數(shù)量啦。下面咱簡單看看代碼實現(xiàn)部分這里以偽代碼為例# 初始化MOCOA種群 mocoa_population initialize_population(20) # 初始化MOTROA種群 motroa_population initialize_population(20) for generation in range(max_generations): # MOCOA進化過程 new_mocoa_population mocoa_evolve(mocoa_population) # MOTROA進化過程 new_motroa_population motroa_evolve(motroa_population) # 更新種群 mocoa_population new_mocoa_population motroa_population new_motroa_population # 計算評價指標 mocoa_igd calculate_igd(mocoa_population, true_pareto_front) motroa_igd calculate_igd(motroa_population, true_pareto_front) # 類似計算其他指標如GD、HV、Spacing在這段偽代碼里首先初始化了 MOCOA 和 MOTROA 的種群數(shù)量都是 20 。然后在每一代的進化過程中分別對兩個算法的種群進行進化操作接著更新種群。最后計算它們的 IGD 指標當然實際代碼中還得計算其他指標這樣就能通過這些指標來對比兩個算法在每一代的表現(xiàn)啦。通過這樣的對比我們就能清晰地看到 MOCOA 和 MOTROA 在不同測試函數(shù)下的性能差異到底誰更勝一籌一目了然。這對于我們在實際應用中選擇合適的多目標優(yōu)化算法可是非常有幫助的哦希望大家也能對這兩種算法產生濃厚的興趣一起深入研究研究~