搜索资源列表
gmp
- GA是一个参数优化算法,以编码空间代替问题的参数空间,将适应度函数作为评价依据,以编码群体为进化基础,对群体中个体遗传操作实现遗传机制,建立迭代过程,跟具体的优化对象没有直接联系,只需优化对象提供目标函数的计算标准和参数的上下限,就可得到最优结果。-the algorithm is improved by the laplace crossover in which the parent of the Laplace distribution density function coefficie
NSGA
- 多目标遗传算法是NSGA-II[1](改进的非支配排序算法),该遗传算法相比于其它的多目标遗传算法有如下优点:传统的非支配排序算法的复杂度为 ,而NSGA-II的复杂度为 ,其中M为目标函数的个数,N为种群中的个体数。引进精英策略,保证某些优良的种群个体在进化过程中不会被丢弃,从而提高了优化结果的精度。采用拥挤度和拥挤度比较算子,不但克服了NSGA中需要人为指定共享参数的缺陷,而且将其作为种群中个体间的比较标准,使得准Pareto域中的个体能均匀地扩展到整个Pareto域,保证了种群的多样性