多目標遺傳演算法

A. matlab程序Pareto 遺傳多目標演算法

您好，GA不論是在應用、演算法設計上,還是在基礎理論上,均取得了長足的發展,應用也非常廣泛.本文通過對基本遺傳演算法的研究,以及對其在多目標優化問題上的實現,在遺傳演算法領域進行探討,並通過程序來驗證.在多目標優化問題的研究中,所採用的一些方法在一些算例中獲得了比較好的Pareto解集.
遺傳演算法作為求解全局優化問題的有力工具之一,應用十分廣泛,目前主要應用在以下幾個領域:
(1)基於遺傳演算法的機器學習(GeneticBaseMachineLearning).這一新的學習機制給解決人工智慧中知識獲取和知識優化精煉的瓶頸難題帶來了希望。
(2)遺傳演算法與其他計算智能方法的相互滲透和結合.
(3)並行處理的遺傳演算法的研究十分活躍.這一研究不僅是對遺傳演算法本身的發展,而且對新一代智能計算機體系結構的研究都是十分重要的.(4)遺傳演算法在數據挖掘(DataMining)領域中的應用。

B. 誰能通俗的講解一下NSGA-II多目標遺傳演算法

NSGA-II特別的地方就在它的選擇過程上，其他的和其他演算法也沒什麼區別。

選擇過程分兩個部分：
1. 把種群分成一組Pareto非支配集。一個非支配集里的個體不被當前或之後非支配集里的任何個體支配。方法就是每次選出所有不被任何其他個體支配的非支配個體，從種群里刪除當一個非支配集，然後剩下的再不停重復這個過程，直到取完。
2. 按crowd distance排序。就是在各個維度左右相鄰個體的距離之和。

選擇的時候，先從前往後一個個取非支配集。取到手裡的個體數量大於等於需要的數量了，最後一個非支配集里再怎麼選？選crowd distance大的。

C. 什麼是多目標遺傳演算法

http://www.easyworm.com/chinese/document/Chapter4.htm

比較復雜，解釋起來不知是否可行，你先去這看看吧。
大學圖書館里這些書一找一大堆，可以去翻翻

D. 多目標優化遺傳演算法求解混合整數規劃問題

可以參考多目標尋優遺傳方法的進化思路，把遺傳演算法修改為針對整數規劃的方法就可以

E. matlab 非線性多目標的遺傳演算法問題

用matlab的ga（）遺傳演算法函數求非線性多目標的最小值（或最大值），其解決幫助如下：

1、首先建立自定義目標函數，y=FitFun(x)

2、其二建立自定義約束函數，[c,ceq]=NonCon(x)

3、最後，根據已知條件，用ga（）函數求解。

為了說明問題，沒有用你隨意給的問題。下面，給你一個例子作參考。

FitFun.m

function f = FitFun(x,a1)

f = exp(x(1))*(4*x(1)^2 + 2*x(2)^2 + 4*x(1)*x(2) + 2*x(2) + a1);

end

NonCon.m

function [c,ceq] = NonCon(x,a2)

c = [1.5 + x(1)*x(2) - x(1) - x(2);-x(1)*x(2) - a2];

ceq = [];

end

ga_main.m

a1 = 1; a2 = 10;

options = gaoptimset('MutationFcn',@mutationadaptfeasible);

x = ga(@(x)FitFun(x,a1),2,[],[],[],[],[],[],@(x)NonCon(x,a2),options)

運行結果

F. 怎麼評價MATLAB中gamultiobj函數（多目標遺傳演算法）的計算結果比如下面的函數和其部分結果

您好，多目標遺傳演算法可以得到Pareto Front圖，即您展示的結果。至於評價方法應由您自己確定，比如最簡單的線性加權函數評價方法，評價值Evalue=w1*minf1(x1,x2)+w2*minf2(x1,x2)，其中w1+w2=1。
總的來說，就是依據自己的需要進行評價，matlab中不含有評價方法（因為評價方法很靈活）。

G. 為什麼在多目標優化時選擇遺傳演算法，而不用其他演算法

會說不可以用其他演算法了，遺傳演算法最精華就在於fitness，要是多目標優化也是把多個目標融合在一起 變成一個目標 然後再結合實際目標意義（越大越優，越小越優）進行計算fitness。至於優點，在大多數智能搜索演算法裡面，遺傳演算法的全局最優概率最大！

H. 急求一份多目標遺傳演算法matlab代碼！

我給你一個標准遺傳演算法程序供你參考：
該程序是遺傳演算法優化BP神經網路函數極值尋優：
%% 該代碼為基於神經網路遺傳演算法的系統極值尋優
%% 清空環境變數
clc
clear

%% 初始化遺傳演算法參數
%初始化參數
maxgen=100; %進化代數，即迭代次數
sizepop=20; %種群規模
pcross=[0.4]; %交叉概率選擇，0和1之間
pmutation=[0.2]; %變異概率選擇，0和1之間

lenchrom=[1 1]; %每個變數的字串長度，如果是浮點變數，則長度都為1
bound=[-5 5;-5 5]; %數據范圍

indivials=struct('fitness',zeros(1,sizepop), 'chrom',[]); %將種群信息定義為一個結構體
avgfitness=[]; %每一代種群的平均適應度
bestfitness=[]; %每一代種群的最佳適應度
bestchrom=[]; %適應度最好的染色體

%% 初始化種群計算適應度值
% 初始化種群
for i=1:sizepop
%隨機產生一個種群
indivials.chrom(i,:)=Code(lenchrom,bound);
x=indivials.chrom(i,:);
%計算適應度
indivials.fitness(i)=fun(x); %染色體的適應度
end
%找最好的染色體
[bestfitness bestindex]=min(indivials.fitness);
bestchrom=indivials.chrom(bestindex,:); %最好的染色體
avgfitness=sum(indivials.fitness)/sizepop; %染色體的平均適應度
% 記錄每一代進化中最好的適應度和平均適應度
trace=[avgfitness bestfitness];

%% 迭代尋優
% 進化開始
for i=1:maxgen
i
% 選擇
indivials=Select(indivials,sizepop);
avgfitness=sum(indivials.fitness)/sizepop;
%交叉
indivials.chrom=Cross(pcross,lenchrom,indivials.chrom,sizepop,bound);
% 變異
indivials.chrom=Mutation(pmutation,lenchrom,indivials.chrom,sizepop,[i maxgen],bound);

% 計算適應度
for j=1:sizepop
x=indivials.chrom(j,:); %解碼
indivials.fitness(j)=fun(x);
end

%找到最小和最大適應度的染色體及它們在種群中的位置
[newbestfitness,newbestindex]=min(indivials.fitness);
[worestfitness,worestindex]=max(indivials.fitness);
% 代替上一次進化中最好的染色體
if bestfitness>newbestfitness
bestfitness=newbestfitness;
bestchrom=indivials.chrom(newbestindex,:);
end
indivials.chrom(worestindex,:)=bestchrom;
indivials.fitness(worestindex)=bestfitness;

avgfitness=sum(indivials.fitness)/sizepop;

trace=[trace;avgfitness bestfitness]; %記錄每一代進化中最好的適應度和平均適應度
end
%進化結束

%% 結果分析
[r c]=size(trace);
plot([1:r]',trace(:,2),'r-');
title('適應度曲線','fontsize',12);
xlabel('進化代數','fontsize',12);ylabel('適應度','fontsize',12);
axis([0,100,0,1])
disp('適應度 變數');
x=bestchrom;
% 窗口顯示
disp([bestfitness x]);
提問者評價
謝謝!

I. 跪求一份多目標多約束遺傳演算法的代碼，matlab ，c ，c++都可以！不勝感激