Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/425776024/moead
MOEAD.多目标差分进化算法的学习，Python实现&动态展示过程
https://github.com/425776024/moead
moead moead-python
Last synced: about 1 month ago
JSON representation
MOEAD.多目标差分进化算法的学习，Python实现&动态展示过程
- Host: GitHub
- URL: https://github.com/425776024/moead
- Owner: 425776024
- License: apache-2.0
- Created: 2018-11-29T08:24:48.000Z (about 6 years ago)
- Default Branch: master
- Last Pushed: 2022-06-22T02:07:23.000Z (over 2 years ago)
- Last Synced: 2024-12-11T00:27:11.649Z (about 1 month ago)
- Topics: moead, moead-python
- Language: Python
- Homepage:
- Size: 519 KB
- Stars: 159
- Watchers: 6
- Forks: 42
- Open Issues: 4
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
## MOEAD-python动态+bilibili视频讲解😄
### 有不能理解的可以加QQ一起沟通
本代码是对[MOEA/D: A Multiobjective Evolutionary Algorithm Based on Decomposition](https://ieeexplore.ieee.org/document/4358754)论文中算法编程实现。（也许是：全网第一个python&可视化版本）
MOEAD算法论文大致介绍详细，这个中文的帖子也不错：[https://blog.csdn.net/sinat_33231573/article/details/80271801](https://blog.csdn.net/sinat_33231573/article/details/80271801)
**不过自己实现中发现，坑点至少有2个：**
1.**如何生成均匀权向量**，这个在**Mean_Vector_Utils.py**文件中已经实现，可以直接用，大致是用一个拔插法的思想，我的另一个帖子也说了下怎么生成的一个效果：[MOEAD算法中均匀权向量的实现---Python](https://blog.csdn.net/jiang425776024/article/details/84528415)。
2.**如何产生下一代解y**，这个处理的不好几乎做不到论文中那样完美的Pareto前沿面效果，论文中也只是说了一句话：产生新解o(╥﹏╥)o，我这里用了当目标优化的遗传GA加极值优化EO产生下一代，效果尚可，2个30维函数的目标联合优化，只需要100代，1-2秒钟左右即可找到较完美的解，3目标的DTLZ1的pareto前沿形状找的很完美，但是解还是差太多，可是是哪里出了问题。持续改进中。
## bilibili本代码视频
（确保）已经基本了解MOEAD和看了本代码了
[MOEAD bilibili](https://www.bilibili.com/video/BV1Rf4y117Zk/)
**代码结构：**
problem：求解问题函数目录
vector_csv_file:求解问题的均匀权向量生成目录
ZDT1:
ZDT2:
ZDT4:
DTLZ1:
**MOEA/D算法:**
**（我这只简单介绍，详情网上、paper看，然后再看这代+b站视频，这样会好点。希望能帮到你！）**
```
输入:
•多目标优化
•停止标准;
•N: MOEA/D考虑的子问题的数量
•N个权重向量的均匀分布: λ1,...,λN；
•T:每个权重向量的附近的权重向量的数量
输出:EP
步骤1) 初始化:
第1.1 步)创建一个外部种群（EP）用于存储过程优秀个体，初始为空
第1.2 步)计算任何两个权重向量之间的欧氏距离，然后计算出每个权重向量的最近权重向量T。对于每个i=1,…,N,设置
B(i)={i1,...,iT},其中λi1,,..,λiT是λi的最近T权重向量
第1.3 步)生成初始数量的随机的x1,...,xN或特定问题的方法。设置FVi=F(xi)
第1.4 步)由特定于问题的方法初始化z=(z1,...,zm)T。
步骤2) 更新：
对于i =1,…,N
步骤2.1) 复制: 从B(i)随机选择两个索引k,l，然后通过使用差分进化从xk和xl生成一个新的解决方案y。
步骤2.2) 改进: 应用特定于问题的修复/改进启发式由y 产生y’
步骤2.3) 更新Z：对于每一个j=1,...,m,判断y是否可能替换原有极值，如果zj