1. 程式人生 > >[Evolutionary Algorithm] 進化演算法簡介

[Evolutionary Algorithm] 進化演算法簡介

% % input Pt ,size of N*m;output Rt,size of 2N*m
function [ Rt ] = Genetic_Operators( Pt,minx,maxx,numvariate,numfun)
%% 不交叉則變異,避免種群中數值相同的個體存在,這樣可以保持種群的多樣性
pc=0.9;
pm=0.1;
cetac=20;
cetam=20;
maxminx=maxx-minx;
N=size(Pt,1);
numvariate;
Qt=Pt;
crossPt=zeros(N,numvariate);
for i=1:numvariate
crossPt(:,i)
=randperm(N); end detamax=10;%這個引數有待調整 for j=1:numvariate %%先交叉 for i=1:ceil(N/2) pccross=rand(1); if(pccross<pc) ui=rand(1); if ui<=0.5 betau=(2*ui)^(1/(cetac+1)); else if ui==1 ui
=1-0.005; end betau=(1/(2*(1-ui)))^(1/(cetac+1)); end Qt1=0.5*((1-betau)*Pt(crossPt(i,j),j)+(1+betau)*Pt(N-crossPt(i,j)+1,j)); Qt2=0.5*((1+betau)*Pt(crossPt(i,j),j)+(1-betau)*Pt(N-crossPt(i,j)+1,j)); Qt(2*i-1,j)=mod(Qt1-minx,maxminx)+minx; Qt(
2*i,j)=mod(Qt2-minx,maxminx)+minx; else pmu1=rand(1); if pmu1<0.5 deta1=(2*pmu1)^(1/(cetam+1))-1; else deta1=1-(2*(1-pmu1))^(cetam+1); end pmu2=rand(1); if pmu2<0.5 deta2=(2*pmu2)^(1/(cetam+1))-1; else deta2=1-(2*(1-pmu2))^(cetam+1); end Qt1=Pt(crossPt(i,j),j)+deta1*detamax; Qt2=Pt(N-crossPt(i,j)+1,j)+deta2*detamax; Qt(2*i-1,j)=mod(Qt1-minx,maxminx)+minx; Qt(2*i,j)=mod(Qt2-minx,maxminx)+minx; end end end funvalueQt=funfvalue(Qt(:,1:numvariate)); Qt(:,(numvariate+1):(numvariate+numfun))=funvalueQt; Rt=cat(1,Pt,Qt); end

相關推薦

[Evolutionary Algorithm] 進化演算法簡介

% % input Pt ,size of N*m;output Rt,size of 2N*m function [ Rt ] = Genetic_Operators( Pt,minx,maxx,numvariate,numfun) %% 不交叉則變異,避免種群中數值相同的個體存在,這樣可以保持種群

多目標進化演算法簡介

1、多目標優化的基本概念 多目標優化問題(MOP)可以被表示為:                                

Locally linear embedding (LLE)演算法簡介

 Locally linear embedding (LLE) (Sam T.Roweis and Lawrence K.Saul, Science,2000)是一種非線性降維方法,它能夠使降維後的資料保持原有拓撲結構。    原始特徵的數量可能很大,或

6.9 Substitute Algorithm 替換演算法

將方法本體替換為另一個演算法 更多精彩 更多技術部落格,請移步 asing1elife’s blog 動機 只是發現了一個更好的方法可以得出相同的結果 案例 public String foundPerson(String

基於分解的多目標進化演算法(MOEA/D)

目錄 1、MOEA/D的特點 2、 MOEA/D的分解策略 3、MOEA/D的流程 基於分解的多目標進化演算法(Multi-objectiveEvolutionary Algorithm Based on Decomposition, MOEA/D)將多目標優化問題被轉

幾種負載均衡演算法簡介

首先我們來看一下什麼是負載均衡? 隨著業務的發展,單臺web伺服器已經承載不了系統現在流量的時候,我們就需要部署多臺伺服器,將流量分散在不同的伺服器上,這樣可以提高系統的可用性。 我們可以對web請求進行負載均衡,很大的一部分原因是由於HTTP協議的無狀態性,同樣的請求響應是一樣的,所以哪個

《資料結構與演算法》之演算法簡介

演算法(Algorithm)是指解題方案的準確而完整的描述,是一系列解決問題的清晰指令,演算法代表著用系統的方法描述解決問題的策略機制。也就是說,能夠對一定規範的輸入,在有限時間內獲得所要求的輸出。如果一個演算法有缺陷,或不適合於某個問題,執行這個演算法將不會解決這個問題。不同的演算法可能用不同的時

資料加密演算法簡介(轉載)(經典又權威)

資料加密 資料加密技術是最基本的安全技術,被譽為資訊保安的核心,最初主要用於保證資料在儲存和傳輸過程中的保密性。它通過變換和置換等各種方法將被保護資訊置換成密文,然後再進行資訊的儲存或傳輸,即使加密資訊在儲存或者傳輸過程為非授權人員所獲得,也可以保證這些資訊不為其認知,從而達到保護資訊的目的。該

關聯分析概述1——Apriori 演算法簡介

關聯分析概述 “關聯分析”就是分析在眾多的歷史交易記錄中,出現很多的組合項有哪些,並且得出“購買了 A 物品的顧客還很有可能會一起購買 B 物品”這樣的結論。 那麼,“分析一起出現的組合項”有什麼用呢? 1、我們可以發現哪些商品的組合銷量高,例如,我們知道周志華的《機器學習》和李航的

EM 演算法簡介

EM 演算法的思想 用擬合的思想來求隨機變數的數字特徵。 例如:模型中有兩個未知引數 A A A

機器學習-4(k-進鄰演算法簡介中)

既然要介紹該演算法,我們就簡單介紹一下歐式距離 這個應該是我們初中就學過的了,2點之間的距離就是它的多維空間裡面每個維度的座標的差的平方之和,再開方 公式就是 OK,我們現在按照分類的基本原則,把所有的樣本集都放進我們的座標系裡面來,有多少特徵,我們就建立幾維的空間座標系。

機器學習-3(k-進鄰演算法簡介

    先簡單介紹一下k-進鄰演算法:採用測量不同特徵值之間的距離方法進行分類,OK,它是屬於監督學習了 優點:精度高,對異常值不敏感,無資料輸入假定 缺點:計算複雜度高,空間複雜度高 適用資料範圍:數值型和標稱型 在介紹這個演算法之前,先介紹一點基礎的數學概

elasticsearch 筆記十五:相關度評分TF&IDF演算法簡介

演算法介紹 relevance score ,就是計算出一個索引中的文字,與搜尋文字,他們之間的關係,它們之間的關聯匹配度是由Elasticsearch使用的 term frequency/inverse document frequency 演算法,簡稱TF/IDF演算法 Term f

Go語言與AES加密演算法 —— 簡介、AES演算法案例

AES簡介 高階加密標準(英語:Advanced Encryption Standard,縮寫:AES),在密碼學中又稱Rijndael加密法,是美國聯邦政府採用的一種區塊加密標準。這個標準用來替代原先的DES,已經被多方分析且廣為全世界所使用。經過五年的甄選流程,高階加密標準由美國國家標準

尋路演算法簡介

對一個物體來說,移動很容易,而尋路很複雜。 為什麼要尋找路徑?考慮以下情況: 一個單位最初位於地圖的底部,並希望到達頂部。 Movement - 它掃描的區域(肉色底)中沒有任何阻擋表示該裝置不應向上移動,因此它繼續前進。在頂部附近,它會檢測到障礙物並改變方向。然後它沿著(紅色)路徑繞過“U”形障礙

PageRank演算法簡介

PageRank演算法簡介 最早的搜尋引擎採用的是分類目錄的方法,即通過人工進行網頁分類並整理出高質量的網站。當時的 Yahoo 和 hao123 就是使用的這種方法。 後來網頁越來越多,人工分類已經不現實了。搜尋引擎進入了 文字檢索 的時代,即計算使用者查詢關鍵詞與網頁內容的相關程度來

機器學習一些演算法簡介

更多學習筆記關注: 公眾號:StudyForAI 知乎專欄:https://www.zhihu.com/people/yuquanle/columns 首先來看一下機器學習的定義: 機器學習有下面幾種定義: 機器學習是一門人工智慧的科學,該領域的主要研究物件是

優化演算法——差分進化演算法(DE)

一、差分進化演算法的介紹    差分進化演算法(Differential Evolution, DE)是一種基於群體差異的啟發式隨機搜尋演算法,該演算法是由R.Storn和K.Price為求解Chebyshev多項式而提出的。DE演算法也屬於智慧優化演算法,與前面的

差分進化演算法DE優化BPNN

(一)DE的基本原理 主要操作:變異 - 交叉 - 選擇  (二)DE優化BPNN %載入資料 data = csvread('D:\matlab2016a\OA\sample.csv'); %劃分資料集 rv = rand(1,size(data,1)); [val

積分圖演算法簡介

原文來自https://blog.csdn.net/jia20003/article/details/52710751 影象處理之積分圖演算法 一:積分圖來源與發展 積分影象是Crow在1984年首次提出,是為了在多尺度透視投影中提高渲染速度。隨後這種技術被應用到基於NC