答：每個解對應的是一組權重，即子問題，紅點附近的四個點，也就是它的鄰居怎麼確定呢？由權重來確定，算法初始化階段就確定了每個權重對應的鄰居，也就是每個子問題的鄰居子問題。權重的鄰居通過歐式距離來判斷。取最近的幾個。
https://www.cnblogs.com/Twobox/p/16408751.html
https://www.zhihu.com/question/263555181?sort=created
其中兩個回答都挺好的
1. 輸入N m
# N表示取點密度 m表示問題維度
1.1 輸入 T
# 表示取最近的T個作為鄰居
2. 生成均勻分布權重向量
2.1 計算每個權重向量之間的歐拉距離
3. 權重向量個數即為：初始種群個數
4. 初始化種群，每個個體一一對應權重
4.1 更具權重之間距離，取前T個作為鄰居person
5. EP = 空
# 維護成最優前沿
6. 計算最初的全局最優Z
# 把每個帶入f1 f2中，取最小值 z1 z2
7. 開始循環N代
7.1對於每個個體，在領域中選取2個個體進行交叉變異，獲得2個新個體
7.1.1更新全局解z
7.2在領域中隨機選擇2個個體，用新個與舊個體進行對比
# 新個體帶入子目標問題，直接對比值即可
7.3如果更優，則替換舊個體dna
7.4更新EP
# 如果有別接收的新解，將新解與EP每一個進行比較，刪除被新解支配的，如果新解沒有被舊解支配，那麼加入EP
代碼實現設計
# 分析
需要維護的數據結構：
某個體最近的T位鄰居： 可以考慮采用對象列表即可
均勻分布的權重向量：一個二維ndarray數組即可
權重向量與個體對應關系：個體對象，直接保存權重向量數組
權重向量之間的距離矩陣：開局初始化，不變的
EP list,裡面的個體是對象的引用
z list
目標函數集合，F list domain list # 接口設計
class Person
attribute:
dns：一維ndarray
weight_vector: 一維ndarray
neighbor: list<Person>
o_func:Objective_Function 目標函數
function:
mutation
cross_get_two_new_dna：返回2段新dna
compare#與子代比較
accept_new_dna
choice_two_person:p1,p2
class Moead_Util
attribute:
N
M
T:
o_func：Objective_Function
pm:變異概率 EP:[dna1,dna2,..]
weight_vectors:二維數組
Euler_distance:二維數組
pip_size
Z:[] # 這裡面元素為一維ndarray數組，即dna，即解 function:
init_mean_vector:二維數組
init_Euler_distance:二維數組
init_population:[]
init_Z:一維屬豬 update_ep
update_Z class Objective_Function:
attribute:
F:[]
domain:[[0，1],[],[]]
function:
get_one_function:Objective_Function
1 import numpy as np
2
3
4 class Person:
5 def __init__(self, dna):
6 self.dna = dna
7 self.weight_vector = None
8 self.neighbor = None
9 self.o_func = None # 目標函數
10
11 self.dns_len = len(dna)
12
13 def set_info(self, weight_vector, neighbor, o_func):
14 self.weight_vector = weight_vector
15 self.neighbor = neighbor
16 self.o_func = o_func# 目標函數
17
18 def mutation_dna(self, one_dna):
19 i = np.random.randint(0, self.dns_len)
20 low = self.o_func.domain[i][0]
21 high = self.o_func.domain[i][1]
22 new_v = np.random.rand() * (high - low) + low
23 one_dna[i] = new_v
24 return one_dna
25
26 def mutation(self):
27 i = np.random.randint(0, self.dns_len)
28 low = self.o_func.domain[i][0]
29 high = self.o_func.domain[i][1]
30 new_v = np.random.rand() * (high - low) + low
31 self.dna[i] = new_v
32
33 @staticmethod
34 def cross_get_two_new_dna(p1, p2):
35 # 單點交叉
36 cut_i = np.random.randint(1, p1.dns_len - 1)
37 dna1 = p1.dna.copy()
38 dna2 = p2.dna.copy()
39 temp = dna1[cut_i:].copy()
40 dna1[cut_i:] = dna2[cut_i:]
41 dna2[cut_i:] = temp
42 return dna1, dna2
43
44 def compare(self, son_dna):
45 F = self.o_func.f_funcs
46 f_x_son_dna = []
47 f_x_self = []
48 for f in F:
49 f_x_son_dna.append(f(son_dna))
50 f_x_self.append(f(self.dna))
51 fit_son_dna = np.array(f_x_son_dna) * self.weight_vector
52 fit_self = np.array(f_x_self) * self.weight_vector
53 return fit_son_dna.sum() - fit_self.sum()
54
55 def accept_new_dna(self, new_dna):
56 self.dna = new_dna
57
58 def choice_two_person(self):
59 neighbor = self.neighbor
60 neighbor_len = len(neighbor)
61 idx = np.random.randint(0, neighbor_len, size=2)
62 p1 = self.neighbor[idx[0]]
63 p2 = self.neighbor[idx[1]]
64 return p1, p2
1 from collections import defaultdict
2
3 import numpy as np
4
5
6 def zdt4_f1(x_list):
7 return x_list[0]
8
9
10 def zdt4_gx(x_list):
11 sum = 1 + 10 * (10 - 1)
12 for i in range(1, 10):
13 sum += x_list[i] ** 2 - 10 * np.cos(4 * np.pi * x_list[i])
14 return sum
15
16
17 def zdt4_f2(x_list):
18 gx_ans = zdt4_gx(x_list)
19 if x_list[0] < 0:
20 print("????: x_list[0] < 0:", x_list[0])
21 if gx_ans < 0:
22 print("gx_ans < 0", gx_ans)
23 if (x_list[0] / gx_ans) <= 0:
24 print("x_list[0] / gx_ans<0：", x_list[0] / gx_ans)
25
26 ans = 1 - np.sqrt(x_list[0] / gx_ans)
27 return ans
28
29 def zdt3_f1(x):
30 return x[0]
31
32
33 def zdt3_gx(x):
34 if x[:].sum() < 0:
35 print(x[1:].sum(), x[1:])
36 ans = 1 + 9 / 29 * x[1:].sum()
37 return ans
38
39
40 def zdt3_f2(x):
41 g = zdt3_gx(x)
42 ans = 1 - np.sqrt(x[0] / g) - (x[0] / g) * np.sin(10 * np.pi * x[0])
43 return ans
44
45
46 class Objective_Function:
47 function_dic = defaultdict(lambda: None)
48
49 def __init__(self, f_funcs, domain):
50 self.f_funcs = f_funcs
51 self.domain = domain
52
53 @staticmethod
54 def get_one_function(name):
55 if Objective_Function.function_dic[name] is not None:
56 return Objective_Function.function_dic[name]
57
58 if name == "zdt4":
59 f_funcs = [zdt4_f1, zdt4_f2]
60 domain = [[0, 1]]
61 for i in range(9):
62 domain.append([-5, 5])
63 Objective_Function.function_dic[name] = Objective_Function(f_funcs, domain)
64 return Objective_Function.function_dic[name]
65
66 if name == "zdt3":
67 f_funcs = [zdt3_f1, zdt3_f2]
68 domain = [[0, 1] for i in range(30)]
69 Objective_Function.function_dic[name] = Objective_Function(f_funcs, domain)
70 return Objective_Function.function_dic[name]
1 import numpy as np
2
3 from GA.MOEAD.Person import Person
4
5
6 def distribution_number(sum, m):
7 # 取m個數，數的和為N
8 if m == 1:
9 return [[sum]]
10 vectors = []
11 for i in range(1, sum - (m - 1) + 1):
12 right_vec = distribution_number(sum - i, m - 1)
13 a = [i]
14 for item in right_vec:
15 vectors.append(a + item)
16 return vectors
17
18
19 class Moead_Util:
20 def __init__(self, N, m, T, o_func, pm):
21 self.N = N
22 self.m = m
23 self.T = T # 鄰居大小限制
24 self.o_func = o_func
25 self.pm = pm # 變異概率
26
27 self.Z = np.zeros(shape=m)
28
29 self.EP = [] # 前沿
30 self.EP_fx = [] # ep對應的目標值
31 self.weight_vectors = None # 均勻權重向量
32 self.Euler_distance = None # 歐拉距離矩陣
33 self.pip_size = -1
34
35 self.pop = None
36 # self.pop_dna = None
37
38 def init_mean_vector(self):
39 vectors = distribution_number(self.N + self.m, self.m)
40 vectors = (np.array(vectors) - 1) / self.N
41 self.weight_vectors = vectors
42 self.pip_size = len(vectors)
43 return vectors
44
45 def init_Euler_distance(self):
46 vectors = self.weight_vectors
47 v_len = len(vectors)
48
49 Euler_distance = np.zeros((v_len, v_len))
50 for i in range(v_len):
51 for j in range(v_len):
52 distance = ((vectors[i] - vectors[j]) ** 2).sum()
53 Euler_distance[i][j] = distance
54
55 self.Euler_distance = Euler_distance
56 return Euler_distance
57
58 def init_population(self):
59 pop_size = self.pip_size
60 dna_len = len(self.o_func.domain)
61 pop = []
62 pop_dna = np.random.random(size=(pop_size, dna_len))
63 # 初始個體的 dna
64 for i in range(pop_size):
65 pop.append(Person(pop_dna[i]))
66
67 # 初始個體的 weight_vector, neighbor, o_func
68 for i in range(pop_size):
69 # weight_vector, neighbor, o_func
70 person = pop[i]
71 distance = self.Euler_distance[i]
72 sort_arg = np.argsort(distance)
73 weight_vector = self.weight_vectors[i]
74 # neighbor = pop[sort_arg][:self.T]
75 neighbor = []
76 for i in range(self.T):
77 neighbor.append(pop[sort_arg[i]])
78
79 o_func = self.o_func
80 person.set_info(weight_vector, neighbor, o_func)
81 self.pop = pop
82 # self.pop_dna = pop_dna
83
84 return pop
85
86 def init_Z(self):
87 Z = np.full(shape=self.m, fill_value=float("inf"))
88 for person in self.pop:
89 for i in range(len(self.o_func.f_funcs)):
90 f = self.o_func.f_funcs[i]
91 # f_x_i：某個體，在第i目標上的值
92 f_x_i = f(person.dna)
93 if f_x_i < Z[i]:
94 Z[i] = f_x_i
95
96 self.Z = Z
97
98 def get_fx(self, dna):
99 fx = []
100 for f in self.o_func.f_funcs:
101 fx.append(f(dna))
102 return fx
103
104 def update_ep(self, new_dna):
105 # 將新解與EP每一個進行比較，刪除被新解支配的
106 # 如果新解沒有被舊解支配，則保留
107 new_dna_fx = self.get_fx(new_dna)
108 accept_new = True # 是否將新解加入EP
109 # print(f"准備開始循環: EP長度{len(self.EP)}")
110 for i in range(len(self.EP) - 1, -1, -1): # 從後往前遍歷
111 old_ep_item = self.EP[i]
112 old_fx = self.EP_fx[i]
113 # old_fx = self.get_fx(old_ep_item)
114 a_b = True # 老支配行
115 b_a = True # 新支配老
116 for j in range(len(self.o_func.f_funcs)):
117 if old_fx[j] < new_dna_fx[j]:
118 b_a = False
119 if old_fx[j] > new_dna_fx[j]:
120 a_b = False
121 # T T : fx相等 直接不改變EP
122 # T F ：老支配新 留老，一定不要新，結束循環.
123 # F T ：新支配老 留新，一定不要這個老，繼續循環
124 # F F : 非支配關系 不操作，循環下一個
125 # TF為什麼結束循環，FT為什麼繼續循環，你們可以琢磨下
126 if a_b:
127 accept_new = False
128 break
129 if not a_b and b_a:
130 if len(self.EP) <= i:
131 print(len(self.EP), i)
132 del self.EP[i]
133 del self.EP_fx[i]
134 continue
135
136 if accept_new:
137 self.EP.append(new_dna)
138 self.EP_fx.append(new_dna_fx)
139 return self.EP, self.EP_fx
140
141 def update_Z(self, new_dna):
142 new_dna_fx = self.get_fx(new_dna)
143 Z = self.Z
144 for i in range(len(self.o_func.f_funcs)):
145 if new_dna_fx[i] < Z[i]:
146 Z[i] = new_dna_fx[i]
147 return Z
import random import numpy as np from GA.MOEAD.Moead_Util import Moead_Util
from GA.MOEAD.Objective_Function import Objective_Function
from GA.MOEAD.Person import Person import matplotlib.pyplot as plt def draw(x, y):
plt.scatter(x, y, s=10, c="grey") # s 點的大小 c 點的顏色 alpha 透明度
plt.show() iterations = 1000 # 迭代次數
N = 400
m = 2
T = 40
o_func = Objective_Function.get_one_function("zdt3")
pm = 0.5 moead = Moead_Util(N, m, T, o_func, pm) moead.init_mean_vector()
moead.init_Euler_distance()
pop = moead.init_population()
moead.init_Z() for i in range(iterations):
print(i, len(moead.EP))
for person in pop:
p1, p2 = person.choice_two_person()
d1, d2 = Person.cross_get_two_new_dna(p1, p2) if np.random.rand() < pm:
p1.mutation_dna(d1)
if np.random.rand() < pm:
p1.mutation_dna(d2) moead.update_Z(d1)
moead.update_Z(d2)
t1, t2 = person.choice_two_person()
if t1.compare(d1) < 0:
t1.accept_new_dna(d1)
moead.update_ep(d1)
if t2.compare(d1) < 0:
t2.accept_new_dna(d2)
moead.update_ep(d1) # 輸出結果畫圖
EP_fx = np.array(moead.EP_fx) x = EP_fx[:, 0]
y = EP_fx[:, 1]
draw(x, y)
* 寫在前面 之前答應大家的畢業答辯之後把所有文檔貢獻出來,現在答辯已過,LZ信守承諾,把所有文檔開源到了GitHub(這個地址包含所有的代碼和文檔以及PPT,外層為簡單的代碼).還望喜歡的朋友們,不 ...
Object Detection based on Region Decomposition and Assembly AAAI2019 | 基於區域分解集成的目標檢測 論文解讀 作者 | 文永亮 學 ...
基於深度學習的目標檢測技術演進:R-CNN.Fast R-CNN,Faster R-CNN object detection我的理解,就是在給定的圖片中精確找到物體所在位置,並標注出物體的類別.obj ...
原文鏈接:https://www.52ml.net/20287.html 這篇博文主要講了深度學習在目標檢測中的發展. 博文首先介紹了傳統的目標檢測算法過程: 傳統的目標檢測一般使用滑動窗口的框架,主 ...
在上一節.我們已經介紹了使用HOG和SVM實現目標檢測和識別,這一節我們將介紹使用詞袋模型BOW和SVM實現目標檢測和識別. 一 詞袋介紹 詞袋模型(Bag-Of-Word)的概念最初不是針對計算機視 ...
基於深度學習的目標跟蹤sort與deep-sort https://github.com/Ewenwan/MVision/tree/master/3D_Object_Detection/Object_ ...
論文基於層級表達提出高效的進化算法來進行神經網絡結構搜索,通過層層堆疊來構建強大的卷積結構.論文的搜索方法簡單,從實驗結果看來,達到很不錯的准確率,值得學習 來源:[曉飛的算法工程筆記] 公眾號 ...
-------------------paper--------------------- 一種基於GPU並行計算的MD5密碼解密方法 0.abstract1.md5算法概述2.md5安全性分析3.基 ...
本發明涉及一種基於RBAC模型的動態訪問控制改進方法,屬於訪問控制領域.對原有RBAC模型進行了權限的改進和約束條件的改進,具體為將權限分為靜態權限和動態權限,其中靜態權限是非工作流的權限,動態權限是 ...
基於Delphi的三層數據庫系統的實現方法 1 引言 當前的數據庫應用系統中,按其結構劃分為兩類,一類是兩層結構的數據庫應系統,另一類是多層結構的數據庫應用系統. 兩層結構的數據庫應用系統包括客 ...
畢向東老師Java基礎學習筆記——Date對象 今天學習Java中的Date對象後,感覺這個對象對我們主要有以下幾點用處. 1.獲取時間和日期並按照自己定義的格式顯示. 2.網站設計時顯示時間. 知 ...
摘要:旁聽了清華大學王建勇老師的 數據挖掘:理論與算法 的課,講的還是挺細的,好記性不如爛筆頭,在此記錄自己的學習內容,方便以後復習. 一:貝葉斯分類器簡介 1)貝葉斯分類器是一種基於統計的分類器 ...
今天學習廖雪峰的python 第三方模塊pillow一章. 直接使用from PIL import Image 會報"No module named PIL",顯然這是沒有安裝pi ...
方法一: 首先你要進入dedecms後台,系統——系統基本參數——其他選項——文檔標題最大長度——在這修改為200或更大(其實200應該是足夠了). 方法二: 進入phpmyadm ...
環境:VMware10+RedHat5(安裝時選擇了虛擬化組件). 安裝vmware-tools過程中出現如下所示錯誤: This configuration program is to be exe ...
韓夢飛沙 韓亞飛 [email protected] yue31313 han_meng_fei_sha collection 是集合的意思. 集合 是 集合類的上級接口, 比如 set 和 l ...
詞法分析 In computer science, lexical analysis, lexing or tokenization is the process of converting a se ...
轉:http://www.runoob.com/perl/perl-cgi-programming.html Perl 是 Practical Extraction and Report Langua ...
實現方法: 暫時寫一種方法,將字符串寫出到本地文件,以後可以補充更多種方法: public static void main(String[] args) { /** * ============== ...
使用參數SQL_SLAVE_SKIP_COUNTER處理mysql slave同步錯誤討論 本文鏈接地址:http://blog.chinaunix.net/uid-31396856-id-57532 ...
