.idea (0, 2019-02-24)
.idea\.name (5, 2019-02-24)
.idea\MOEAD.iml (598, 2019-02-24)
.idea\encodings.xml (135, 2019-02-24)
.idea\misc.xml (185, 2019-02-24)
.idea\modules.xml (262, 2019-02-24)
.idea\vcs.xml (238, 2019-02-24)
.idea\workspace.xml (35797, 2019-02-24)
LICENSE (11323, 2019-02-24)
MOEAD运行说明.html (66971, 2019-02-24)
src (0, 2019-02-24)
src\Main.py (1644, 2019-02-24)
src\__init__.py (0, 2019-02-24)
src\problem (0, 2019-02-24)
src\problem\DTLZ1.py (665, 2019-02-24)
src\problem\KUR.py (495, 2019-02-24)
src\problem\SCH.py (237, 2019-02-24)
src\problem\ZDT1.py (368, 2019-02-24)
src\problem\ZDT2.py (410, 2019-02-24)
src\problem\ZDT3.py (407, 2019-02-24)
src\problem\ZDT4.py (433, 2019-02-24)
src\utils (0, 2019-02-24)
src\utils\DE_Utils.py (3415, 2019-02-24)
src\utils\Draw_Utils.py (3174, 2019-02-24)
src\utils\GA_Utils.py (5923, 2019-02-24)
src\utils\MOEAD_Utils.py (5137, 2019-02-24)
src\utils\Mean_Vector_Util.py (1697, 2019-02-24)
src\utils\Utils.py (218, 2019-02-24)
src\utils\__init__.py (0, 2019-02-24)
src\vector_csv_file (0, 2019-02-24)
src\vector_csv_file\ZDT1.csv (5050, 2019-02-24)
src\vector_csv_file\ZDT2.csv (5050, 2019-02-24)
src\vector_csv_file\ZDT3.csv (10050, 2019-02-24)
src\vector_csv_file\ZDT4.csv (10050, 2019-02-24)
src\vector_csv_file\zdt1.csv (5050, 2019-02-24)
src\vector_csv_file\zdt2.csv (5050, 2019-02-24)
... ...
对[MOEA/D: A Multiobjective Evolutionary Algorithm Based on Decomposition](https://ieeexplore.ieee.org/document/4358754)论文中算法编程实现。
注:原论文使用的是DE,我这里用的是GA\EO的一些思想取替换DE,GA与DE原理一样,因此不影响
[GitHub链接:https://github.com/425776024/MOEAD](https://github.com/425776024/MOEAD)
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](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](https://blog.csdn.net/jiang425776024/article/details/84528415)。
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。
**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:**
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
近期下载者：
相关文件：
收藏者：