广州哪里有做网站的专业服务网站建设

广州哪里有做网站的,专业服务网站建设,专门做鞋子的网站有哪些,深圳市建设工程合同备案网站【多目标遗传算法#xff0c;Matlab源代码】 NSGA2先说说这算法的核心——快速非支配排序。Matlab里实现这个的代码有点意思#xff1a; function [fronts, ranks] non_dominated_sorting(pop)n length(pop);dominates false(n);% 支配关系矩阵for i 1:nfor j 1:nif all…【多目标遗传算法Matlab源代码】 NSGA2先说说这算法的核心——快速非支配排序。Matlab里实现这个的代码有点意思function [fronts, ranks] non_dominated_sorting(pop) n length(pop); dominates false(n); % 支配关系矩阵 for i 1:n for j 1:n if all(pop(i).cost pop(j).cost) any(pop(i).cost pop(j).cost) dominates(i,j) true; end end } % 分层核心逻辑 fronts {}; current_front find(all(~dominates,2)); % 找不被支配的个体 while ~isempty(current_front) fronts{end1} current_front; ranks(current_front) length(fronts); dominated any(dominates(current_front,:),1); dominates(dominated,:) false; current_front find(all(~dominates,2)); end end这段代码里有个骚操作用逻辑矩阵处理支配关系比传统的逐个比较快了不止一个量级。特别是dominated any(dominates(current_front,:),1)这句直接批量处理被支配个体省去了双重循环。接下来是拥挤度计算这玩意儿直接影响解的分布均匀性function pop calculate_crowding(pop, front) n length(front); costs [pop(front).cost]; [~, sorted_idx] sortrows(costs); % 边界处理 pop(front(sorted_idx(1))).crowding inf; pop(front(sorted_idx(end))).crowding inf; % 中间个体计算 norm max(costs,[],2) - min(costs,[],2); for i 2:n-1 delta (costs(:,sorted_idx(i1)) - costs(:,sorted_idx(i-1))) ./ norm; pop(front(sorted_idx(i))).crowding sum(delta); end end这里用sortrows对目标函数值矩阵进行排序比逐个维度排序高效。注意norm的处理防止了不同量纲的问题这种归一化操作在实战中特别重要否则拥挤度计算会翻车。交叉变异操作也有讲究function child crossover(parent1, parent2) alpha 0.1; % 交叉系数 delta abs(parent1.x - parent2.x); lower min([parent1.x, parent2.x],[],2) - alpha*delta; upper max([parent1.x, parent2.x],[],2) alpha*delta; child.x lower (upper - lower).*rand(size(parent1.x)); end这个SBX模拟交叉的实现用alpha控制搜索范围扩展比传统均匀交叉更利于跳出局部最优。注意lower和upper的计算方式既保留父母基因信息又适当扩大搜索空间。最后看看主循环的骨架while gen max_gen % 合并父代子代 combined_pop [pop; offspring]; % 非支配排序 [fronts, ranks] non_dominated_sorting(combined_pop); % 精英保留策略 new_pop []; for k 1:length(fronts) if length(new_pop) length(fronts{k}) pop_size last_front fronts{k}; [~, idx] sort([last_front.crowding], descend); new_pop [new_pop; last_front(idx(1:pop_size-length(new_pop)))]; break; end new_pop [new_pop; fronts{k}]; end end这个精英保留策略是NSGA-II的精髓所在。当遇到需要截断的front时不是简单按排名截取而是根据拥挤度筛选保证种群的多样性。这种设计让算法在收敛性和多样性之间找到了绝佳平衡点。跑完算法后拿pareto前沿可视化特别带劲function plot_pareto(pop) costs [pop.cost]; scatter(costs(1,:), costs(2,:), filled); xlabel(Objective 1); ylabel(Objective 2); title(Pareto Front); end看着散点图上的解集逐渐逼近真实前沿比玩俄罗斯方块消除一整行还解压。不过要注意目标函数间的量纲差异必要时先做归一化处理。折腾下来发现NSGA-II在Matlab里实现确实方便但想真正发挥威力还得注意三点种群初始化要够分散、交叉变异参数要动态调整、停止准则别只用固定代数。这货就像川菜火候把握好了才够劲。