nsga2如何提升的算法速度

Ⅰ 求助NSGA2算法问题

NSGA-II特别的地方就在它的选择过程上，其他的和其他算法也没什么区别。 选择过程分两个部分： 1. 把种群分成一组Pareto非支配集。一个非支配集里的个体不被当前或之后非支配集里的任何个体支配。方法就是每次选出所有不被任何其他个体支配的非支配个体，从种群里删除当一个非支配集，然后剩下的再不停重复这个过程，直到取完。 2. 按crowd distance排序。就是在各个维度左右相邻个体的距离之和。 选择的时候，先从前往后一个个取非支配集。取到手里的个体数量大于等于需要的数量了，最后一个非支配集里再怎么选？选crowd distance大的。

Ⅱ NSGA2算法

多目标的遗传算法。刚看的。希望能帮助你……
其实其他方面都和普通的遗传算法差不多，只是在选择之前，要进行非支配排序，并且要计算crowding distance，选择的时候，选择非支配的rank小的，如果同意的rank时，选择distance大的。

Ⅲ nsga2遗传算法解多目标优化问题

可以直接改，不过一般还要对变量的维数、译码矩阵等做相对应的修改。

Ⅳ 基于DEAP库的Python进化算法从入门到入土--（六）多目标遗传算法 NSGA-II

在很多实际工程问题中，我们的优化目标不止一个，而是对多个目标函数求一个综合最优解。例如在物流配送问题中，不仅要求配送路径最短，还可能需要参与运输车辆最少等。

多目标优化问题的数学模型可以表达为：

多目标优化问题通常具有如下特点：

对于多目标优化问题，传统方法是将原问题通过加权方式变换为单目标优化问题，进而求得最优解。该方法具有两大问题：

遗传算法具有多点多方向搜索的特征，在一次搜索中可以得到多个Pareto最优解，因此更适合求解多目标优化问题。

而当前用于求解多目标优化问题的遗传算法一般有两种思路：

NSGA-II(nondominated sorting genetic algorithm II)是2002年Deb教授提出的NSGA的改进型，这个算法主要解决了第一版NSGA的三个痛点：

针对这三个问题，在NSGA-II中，Deb提出了快速非支配排序算子，引入了保存精英策略，并用“拥挤距离”(crowding distance)替代了共享(sharing)。

在介绍NSGA-II的整体流程之前，我们需要先了解快速非支配排序和拥挤距离的定义。

解的支配关系与Pareto最优解

下图表示了解之间的支配和强支配关系：

下图表示了一个最小化问题解集中的Pareto最优解和Pareto弱最优解：

快速非支配排序步骤

快速非支配排序就是将解集分解为不同次序的Pareto前沿的过程。

它可以描述为：

DEAP实现

DEAP内置了实现快速非支配排序操作的函数 tools.emo.sortNondominated

tools.emo.sortNondominated(indivials, k, first_front_only=False)

参数：

返回：

拥挤距离的定义

在NSGA II中，为了衡量在同一个前沿中各个解质量的优劣，作者为每个解分配了一个拥挤距离。其背后的思想是 让求得的Pareto最优解在objective space中尽量分散 。也就有更大可能让解在Pareto最优前沿上均匀分布。

DEAP实现

DEAP中内置了计算拥挤距离的函数 tools.emo.assignCrowdingDist

tools.emo.assignCrowdingDist(indivials)

参数：

返回：

比较操作

根据快速非支配排序和拥挤距离计算的结果，对族群中的个体进行排序：

对两个解 ，

在每个迭代步的最后，将父代与子代合为一个族群，依照比较操作对合并后族群中的个体进行排序，然后从中选取数量等同于父代规模的优秀子代，这就是NSGA-II算法中的精英保存策略。

DEAP实现

DEAP内置了实现NSGA-II中的基于拥挤度的选择函数 tools.selNSGA2 用来实现精英保存策略：

tools.selNSGA2(indivials, k, nd='standard')

参数：

返回：

这里选用ZDT3函数作为测试函数，函数可表达为：

其Pareto最优解集为

这里为了方便可视化取 。

下图给出了该函数在Decision Space和Objective Space中的对应：

其pareto最优解在Objective Space中如下图红点所示：

将结果可视化：

得到：

可以看到NSGA-II算法得到的Pareto最优前沿质量很高：最优解均匀分布在不连续前沿的各个线段上；同时在最优前沿以外没有个体存在。

Ⅳ NSGA2遗传算法在matlab具体使用方法，有源代码该如何修改程序中的参数及设置

遗传算法在matlab里有两个函数，分别是ga和gaoptimset，前者用来调用遗传算法，后者用来设定遗传算法的参数，具体内容可以doc ga查看，遗传算法有哪些参数可以直接唤缓在命令窗口输入gaoptimset查派链亮看，祝好尘宽。

Ⅵ 为了提高算法运行速度，可以有哪些方法

一台电脑，原来使用正常，借给他人使用一周后，觉得工作速度明显变慢。
【分析处理】出现此类故障时，可以从以下几个方面考虑：
（1）电脑感染病毒。感染病毒后，电脑速度会降低，检查的方法是杀毒。但是病毒种类繁多，杀毒软件有可能发现不了该病毒。为了确认电脑是否有病毒，可以用下面的方法检查：用干净无毒的软盘启动，检查目录并且运行软盘程序，看显示速度和程序的运行速度是否提高。如果速度有所提高，说明确实可能与硬盘中的病毒有关。
（2）CMOS参数被修改或设置不当，影响电脑的工作速度。其中影响较大的有以下几个方面：
① 没有设置影子内存（Shadow RAM）。一般要求电脑至少要设置系统BIOS和显示（VIDEO）BIOS的影子内存，否则将极大地影响系统的显示速度和工作速度。
② 没有打开内部Cache和外部Cache，使电脑工作在无高速缓冲存储器的状态下，这时系统的工作速度也将明显降低。
③ 硬盘参数设置不当，特别是硬盘的PIO参数设置不当时，将影响硬盘的读写速度。
（3）板卡接触不良也会影响速度，如显卡、硬盘、内存等插件。
遇到此类故障时，可首先用高版本的杀毒软件清除病毒，在杀毒后故障仍存在的情况下，再检查系统CMOS参数是否设置正确，将内、外部Cache打开，并正确设置硬盘的PIO参数及其他相关参数，最后重新安装各板卡，使之充分接触。
希望我能帮助你解疑释惑。

Ⅶ 多目标优化问题

形式化定义：

特点：

①包含多个可能有冲突的目标函数。

②希望找到能够很好平衡全部优化目标的解集；

帕累托最优是指资源分配的一种理想状态。给定固有的一群人和可分配的资源，如果从一种分配状态到另一种分配状态，在没有使得任何人的境况变坏的前提下，使得至少有一个人变得更好，这就是帕累托改善的状态；换言之，不可能在不是任何其他人受损的情况下再改善某些人的境况。

支配（Dominace） ：当x1和x2满足如下条件时称x1支配x2：①对于所有目标函数x1不比x2差；②至少在一个目标函数上，x1严格比x2要好。

对于点1和点2：对于目标函数f1是越大越好，在取相同f2时，点1比点2好；对于目标函数f2是越小越好，在取相同f1时，点1比点2好。所以点1支配点2。

对于点1和点4：目标函数f1上，取相同f2时，点4比点1好；目标函数f2上，取相同f1时，点1比点4好。所以点1和点4互不支配。

不可支配解集（Non-dominated solution set） ：当一个解集中任何一个解都不能被该集合中其他解支配，那么就称该解集为不可支配解集。

帕累托最优解集（Pareto-optimal set ）：所有可行中的不可支配解集被称为帕累托最优解集。

帕累托最优前沿面（Pareto-optimal front） ：帕累托最优解集的边界（boundary）被称为帕累托最优前沿面。

多目标优化问题的目标 ：①寻找尽可能接近最优的解集；②尽可能增大找到解的多样性。

优点：简单

缺点：①很难设定一个权重向量能够获得帕累托最优解；②在一些非凸情况下不能够保证获得帕累托最优解。

优点：能够应用到凸函数和非凸函数场景下。

缺点：函数需要精心选择，需要在独立函数的最小值或最大值之内。

优点：weighted Techebycheff metirc能够保证获得所有帕累托最优解。

缺点：①需要有每个函数最大值和最小值的先验知识；②需要每个目标函数的z*能够独立被找到；③对于较小的p值，不一定保证所有能够获得所有的帕累托最优解；④随着p增加，问题会变得不可求导。

①随机产生初始种群；

②计算各点的目标函数值和约束函数值；

③根据目标函数值对种群分级；

④根据约束函数值和分级结果计算各点的约束罚项、劣解罚项及总罚项；

⑤根据各点的总罚项计算适应度；

⑥根据各点的适应度，进行选择、交叉和变异操作，生成新种群；

⑦将总罚项为0的点放入非劣解集候选表，对候选表进行检查，保留第1级非劣点，删除其他点；

⑧检查是否收敛，如没有，转到步骤②；

⑨删除候选表中与其他店距离太近的点；

⑩输出候选表中的帕累托最优解集及对应的目标函数值；

最后，决策人根据个人偏好从帕累托最优解集中挑选出最适合该问题的解。

遗传算法相比传统的算法的优点是能够得到一个最优解集，而不是单单一个最优解，这样会提供更多的选择，但是计算的复杂度可能稍高，而且里面涉及的一些函数需要精心设计。

1.权重系数转换法

对每个目标函数fi(x)赋予权重wi，wi为目标函数的重要程度。μ=Σwi·fi(x)，这里就将多目标转化为单目标函数，将μ作为评价函数。

2.并列选择法

主要步骤：(1)将种群按照目标函数个数等分为子种群，为每个子种群分配一个目标函数。(2)将子种群中的个体按照各自的目标函数选择出适应度高的个体，然后将其组成一个子种群。(3)再将子种群进行交配、变异、生成下一代父亲种群。然后再重复第一步。

并列选择法的缺点在于易于生成单个目标函数的极端最优解，而较难生成一种多个目标在某种程度上都比较满意的折中解。

3.排序选择法

基本思想就是基于“帕累托最优个体”的概念对群体中的个体进行排序，然后根据这个次序进行种群选择。这样的话，就能够让帕累托最优个体有更多的机会遗传到下一代。这种方法的缺点是仅仅度量了各个个体之间的优越次序，而并未度量各个个体的分散程度，所以容易生成相似的解，而不是分布较广的多个最优解。

4.共享函数法

针对排序选择方法的缺点，即所求的几个最优解通常都是集中于最优解集合的某一个小区域内，而不是分散在整个帕累托最优解集合。由此，引出了基于共享函数的 小生境技术 （小生境技术就是将每一代个体划分为若干类，每个类中选出若干适应度较大的个体作为一个类的优秀代表组成一个群，再在种群中，以及不同种群中之间，杂交，变异产生新一代个体群。同时采用预选择机制和排挤机制或分享机制完成任务。）。该算法对相同个体或类似个体的数目加以限制，以便能够产生出种类较多的不同的最优解。这就引出一个问题，怎么衡量两个个体之间的相似度？这就是小生境数。顾名思义，小生境就是在一个小环境中相似的个体种群。最常见的公式为：

s(d)为共享函数，是表示群体中两个个体之间密切关系程度的一个函数。d(X,Y)为个体X,Y之间的hanmin距离，也是用于衡量个体间相似度的一个函数。在计算出小生境数后，可以是小生境数较小的个体能够有更多的机会被选中，遗传到下一代群体中，即相似程度较小的个体能够有更多的机会被遗传到下一代群体中。

缺点：每次选择操作时都需要进行大量的个体之间的优越关系的评价和比较运算，使得算法搜索效率较低。

5.Horn和Nafploitis印的基于小生境帕累托多目标遗传算法(NPGA)

类似于第2个的并列选择法，将每一代个体划分为若干类，每个类别选出若干适应度较大的个体作为一个类的优秀代表组成一个种群，然后交配变异产生新一代种群。基于这种小生境的遗传算法（Niched Genetic Algorithms，NGA），可以更好地保持解的多样性，同时具有很高的全局寻优能力和收敛速度，特别适合于复杂多峰函数的优化问题。

6.Srinvivas和Deb的非支配排序遗传算法NSGA

1980年提出来的，在遗传算法的基础上对选择再生方法进行改进：将每个个体按照他们的支配和非支配关系进行再分层，再做选择操作，从而达到目的。

其分层的含义就是取出种群中的非支配个体组成一个小种群（第一个非支配最优层），并赋予其中所有个体一个共享的虚拟适应度值。然后再取出个体后的种群中继续取出非支配个体，再将它们组成一个小种群（第二个非支配最优层），并且赋予所有个体一个共享的虚拟适应度值。重复上述步骤，直到原始种群分配完毕，这就是分层，也叫非支配型排序。

非支配型排序遗传算法的缺点：①计算复杂度较高；②没有精英策略；③需要制定共享半径。

针对以上问题，k·Deb 于2002年提出了 7 的方法。

7.带精英策略的非支配排序遗传散发——NSGAII

1).采用快速非支配型排序，降低了算法复杂度。其复杂度降为了O(MN**2)。

2).提出了拥挤度和拥挤度比较算子，代替需要指定共享半径的适应度共享策略。并在快速排序后的同级比较中作为胜出标准。使准pareto解中的个体能扩展到整个pareto域中，并均匀分布，保持了种群的多样性。

3).引入精英策略，扩大采样空间。将父代种群和子代种群合并，保证优良个体能够留存下来。

其算法步骤如下：1.首先随机产生数量为n的初始种群，然后对其进行非支配型排序。接下来，就是常规的选择，交叉，变异操作产生第一代子代种群。2.然后，从第二代开始，将父代和子代合并。然后对其进行快速非支配型排序，同时计算每个非支配层的个体进行拥挤度的计算。然后根据非支配关系和拥挤度来选择合适的个体组成新的父代种群。最后通过再通过选择，交叉，变异产生子代。3.接下来，重复第二步。

具体做法参考：https://blog.csdn.net/quinn1994/article/details/80679528/

Ⅷ matlab 怎么运行nsga2算法

NSGA-II\BinaryTournamentSelection.m
.......\CalcCrowdingDistance.m
.......\Cost.m
.......\CreateEmptyIndivials.m
.......\Crossover.m
.......\Dominates.m
.......\GetCosts.m
.......\Mutate.m
.......\MyCost1.m
.......\MyCost2.m
.......\MyCost3.m
.......\MyCost4.m
.......\MyCost5.m
.......\MyCost6.m
.......\MyCost7.m
.......\New Folder\MyCost1.m
.......\NonDominatedSorting.m
.......\nsga2.m
.......\PlotFronts.m
.......\SortPopulation.m
.......\New Folder
NSGA-II

Ⅸ 如何提高学生计算速度与准确度

计算速度准确率兴趣计算能力是小学生的基本素养，素养的高低影响学生的发展，在小学培养学生计算能力十分重要。老师在每次考试之前会给学生下达命令：这次考试谁在计算上丢分会有什么样的后果。计算题真的是影响学生成绩好坏的拦路虎吗？学生顷链闭为什么对计算如此畏惧呢？笔者结合对新课标的认识和自己的教学经验，对培养学生计算速度与准确性方面进行探讨与反思。
一、明确计算教学的脉络，以算法多样化为载体，夯实基础
教材中每个年级都有计算的侧重点。低年级以整数加减法为重点，退位减法是难点；中年级整数乘、除法以及小数加减法，其中试商、调商是关键，小数点对齐的算理学生要明确，结合情境掌握简便运算的定律、规律，是学生理解定律、规律的来源，挖掘计算教学中的数学思想是艰巨的任务；高年级学小数除法最耗费老师精力，最能磨练学生的计算能力，分数小数混合运算中如何结合数的特征，进行灵活简便而又准确的计算。如果在每一学段，我们都能根据课标的要求，使学生明确算理，用算法多样化让学生经历计算的在创造过程，实现从算法多样化到最算法最优化转变，夯实学习基础，那么学生的计算速度和准确率会大大提高。
在教学中如何体现算法多样化，尊重学生的个性化学习，鼓励学生探索不同的计算方法，通过交流、反馈、评价沟通，让学生体验、学习他人的思维活动的成果，亲历从多样化到优化的过程，使学生形成自己的计算方法与技巧。如教学9加几时，我结合实际情况创设了一个小明帮爸爸妈妈算一算的教学情境。首先，出示情境图：冬天到了，小明的爸爸买回来了9棵大白菜，妈妈买来了7棵大白菜，小明家现在有多少棵白菜？引导学生列出算式9+7，接下来就9+7=？的算法进行探讨。
学生相互交流算法，这样在不自觉的状态下把最唤慧优化的教学方法植入了学生大脑。顺其自然地掌握适合自己的一种或多种算法，而不是被强迫地吸收，也不是硬性的记忆。如果每一类型的计算，我们都采用生动活泼的教学方法，刺激学生的大脑，尊重个性，引领最优化的计算方法，学生的基本计算能力就会很扎实。
二、以建立数感为突破口，加强口算练习，提升计算速度
数感的培养是多方位的，就计算教学而言，首先要培养学生的估算能力，把估算意识纳入到计算的每一个环节。教材在二年级就充实了估算教学，而且每涉及计算教学时总伴有估算教学，目的何在？就在于加强估算能力的培养，有助于学生对数的敏锐感觉，提高计算准确率。因此，教师要求学生做计算题时先要估算，整数、小数加减乘除运算，先估算一下结果是几位数，再估算的结果是多少，然后再计算，这样就不会出现大的误差。在一次次的估算中，学生的数感得到培养。
其次，小学阶段的计算无论是整数、小数还是分数的计算，都离不开20以内的加减法口算和九九乘法表，根据学生的年龄特点采取多种多样的练习形式，帮助学生加强口算练习。如学习乘法口诀时，课上可以让学生开火车、我当小老师、抢答比赛、激流勇进等形式，练习正着背，倒着背，横着背，竖着背，斜着背，看得数想口诀，个位是4的口诀有几句，十位是2的口诀又有哪些？得24的口诀有几句？课下把口诀与孩子们爱玩的跳皮筋、跳绳、玩卡片等游戏结合起来边玩边背。学习分数小数混合运算时，看见分数想小数，看见小数说分数。
还有，教师要及时引领学生记忆一些特殊数的计算技巧，提高计算速度。如雀裂因数是11的乘法用“两头拉中间加”的方法，如24×11=？把2和4拉开做积的百位和个位，2和4相加的和做积的十位即264，那么类似一个数乘22、33、44……的计算时也就比较简单了。哪些数的积是整十、整百、整千的数（因数是25、125的积的特点）；几个特殊质数11、13、17、19的倍数；个位是5的数的平方数的算法；1至20各数的平方；以及分数与小数的互化中的特殊数（分母是2、4、8、20、25、50等数转化成小数是多少一定要记住，而且还要让学生明确转化的方法，有助于学生灵活运用）；3.14乘1至9的计算结果。掌握这些常用数的计算方法，能更好的转化计算技能，提升计算速度与准确率。
三、以习惯养成为平台，提升计算准确率
由于不同的学生学习方式、思维品质存在一定的差异，除了依靠课堂教学和有效训练，及时总结比较各种计算之间的联系，理顺各种计算的算理与计算顺序以外，还要注意他们的学习习惯、与思维习惯，所以养成良好的计算习惯有利于提高计算准确率。
1.做计算题也要像解决问题一样审视题目，有计算的策略，做到磨刀不误砍柴功。尤其是小学阶段学习了很多简便计算的方法，教师要求学生适时地把简便计算运用到自己的计算中去，往往是题目要求用简便计算时学生才用简便方法，不要求就想不起来，教师要引导学生恰当地进行简便计算，该出手时就出手，学简便计算就是为了用，因为简便才用。
2.有效地利用错误资源，在反思中找出错误原因。在计算教学中，老师们关注更多的是学生计算结果是否正确，对于一些错误的算法关注不够，如果能将这些错例拿出来，让做错的同学讲一讲自己的想法全班交流，不仅自己知道错在哪里了，全班同学在帮助他人的过程中加深对计算方法及算理的理解。如学生在学习两位数除以一位数除法以后，竖式计算是本节课的重点，教师通过例题讲解了除法竖式的写法，练习时发现学生对竖式的写法还存在疑惑，出现了这样那样的错误，如把学生的计算错误展示出来，让学生猜一猜，他们是怎么想的？在猜想中改正错误，学生在质疑和辨析中对自己的方法进行反思。还可以根据不同学生的不同错误，让学生反思自己的错误，在反思中暴露思维过程中的错误，从而采取针对性的指导策略。反思与整理是十分重要的学习方法。每周学习结束后，把计算中的错误整理到错题记录本上，分析错误原因。每一单元学习结束后，反思自己的学习态度，评价自己的优点与不足，明确努力方向。每一次考试以后，学生都要在试卷上分析自己的得与失，找出成功与失误的原因，作为自己的学习经验积累。教师同学生一起有针对性地分析错误原因，开展典型问题讲评，评价学生好的学习方法。天长日久，学生就学会了客观地看待自己，好习惯就逐渐地养成了，学习效率和质量必然提高。
3.书写习惯也很重要。受小学生思维的限制，往往是关注了方法、运算顺序，忽视了运算符号、抄错数，书写不规范造成的人为计算错误，如6写成0的样子，7写成1的样子，加减乘除符号写错，等等。这些错误不能小瞧，要帮助学生养成每做一步都来个回头看的习惯，避免出现不必要的错误。
总之，学生计算能力的形成，不能靠简单、机械地重复，要讲求讲课的艺术，训练的技巧，指导的科学，帮助学生形成良好的学习品质。同时，我们要时刻关注学生的计算热情，开动脑筋调动学生的兴趣，感受计算的魅力，使学生爱上计算，速度和准确率一定会提高的。

Ⅹ NSGA-Ⅱ的介绍

NSGA-Ⅱ是目前最流行的多目标进化算法之一，它降低了非劣排序遗传算法的复杂性，具有运行速度快，解集的收敛性好的优点，成为其他多目标优化算法性能的基准。