搜索资源列表
ZDT4
- 为了有效地应用遗传算法解决 鲁棒控制系统设计问题，将遗传算法与局部优化方法相结合，提出了基于降维扫描方法的自适应多目标遗传算法（DRSA-MOGA）。通过引入适应度函数标准化方法、基于最优Pareto解集搜索的降维扫描方法和适应度函数自适应调整方法，提高了算法的全局优化性能和局部搜索能力。仿真结果表明，DRSA-MOGA算法在不损失解的均匀度的情况下可以达到很高的逼近度
optipid
- 现有的PID参数优化方法往往难以同时兼顾系统对快速性、稳定性与鲁棒性的要求，本文针对这一缺陷，提出了一种多目标PID优化设计方法——在满足系统的鲁棒性的前提下，以超调量、上升时间和调整时间最小作为多目标优化的子目标，并将NSGA-Ⅱ与PGA相结合对其求解。该算法求得的Pareto最优解分布均匀，收敛性和鲁棒性好，决策者可根据实际系统的要求在Pareto解集中选择最终的满意解，这为快速性、稳定性与鲁棒性的权衡分析提供了有效的工具。仿真结果
0123
- 遗传算法在曲线多边形近似中的应用 在平面数字曲线的多边形近似中, 为克服顶点的检测只依靠局部区域、缺乏全局信息的弱点, 文中把多边 形近似问题作为寻找在满足一定的近似误差条件下使顶点数最少、或者使顶点数和近似误差都尽可能少的最优化 问题来处理. 为了能够处理点数较多的曲线, 文中采用遗传算法和基于Pareto 最优解的改进遗传算法来求近似最 优解. 和一些经典算法的实验比较表明, 文中算法与只依靠曲线局部特性的一类
nsga2_c_source
- 遗传算法中的NSGA2算法实现，解决多目标遗传算法求解Pareto近似解，具有很好的运行效果
paretosetV3
- To get the Pareto set from a given set of points
1683
- 由于演化算法求解多目标优化问题所得结果是一个优化解集———Pareto最优集,而现有的演化算法收 敛性分析只适合针对单目标优化问题的单个最优解。利用有限马尔科夫链给出了演化算法求解多目标优化问 题的收敛性分析框架,并给出了一个分析实例
spea2_c_source
- 扩展遗传算法SPEAII(Strength Paretor Evaluation Algorithm)算法的代码实现,良好的程序框架，便于向其他应用领域扩展，建议大家使用。-Extended genetic algorithm SPEAII (Strength Paretor Evaluation Algorithm) algorithm code, a good procedural fr a mework to facilitate
Emergency-Scheduling-Pareto-solution
- 应急调度 粒子群算法 pareto解集 非梯度爬山搜索-Emergency Scheduling particle swarm algorithm Pareto solution set of non gradient hill-climbing search
Pareto-optimal-algorithm
- 一个有关遗帕累托最优传算法程序的一个实例 实测可用-A procedure for the Pareto optimal transmission algorithm is a practical example of the measured available
example_pareto_solution
- example for pareto solution using matlab
contoh pareto_lageee
- example pareto matlab
contoh pareto_lageee
- pareto matlab example
多目标粒子群算法 _matlab
- MOPSO算法有详细说明，能够良好运行，出pareto图(MOPSO algorithm is described in detail, able to run well, generate the Pareto Diagram)
pareto
- 帕累托最优，是指资源分配的一种理想状态，假定固有的一群人和可分配的资源，从一种分配状态到另一种状态的变化中，在没有使任何人境况变坏的前提下，使得至少一个人变得更好。(Screening non-inferior solution)
paret
- Pareto efficiency. Finding of incomparable elements
ParetoFronts
- about pareto fronts with matlab language
DTLZ_PF_Generator
- DTLZ测试函数生成真实Pareto前端(DTLZ test function to generate true Pareto front)
多目标NSGA
- NSGA（非支配排序遗传算法）、NSGA-II（带精英策略的快速非支配排序遗传算法），都是基于遗传算法的多目标优化算法，是基于pareto最优解讨论的多目标优化。(NSGA (Non-dominated Sorting Genetic Algorithms) and NSGA-II (Quick Non-dominated Sorting Genetic Algorithms with Elite Strategy) are multi
遗传算法多目标优化
- 遗传算法解决多目标优化问题，利用遗传算法对多目标问题进行优化得到pareto最优解。(The genetic algorithm solves the multi-objective optimization problem and USES the genetic algorithm to optimize the multi-objective problem to get pareto's optimal solution.)