다목적 최적화를 배우려면 어떤 파이썬 지식이 필요합니까?

일반적으로 목표 최적화 문제는 특정 최적화 알고리즘을 통해 목표 함수의 최적 솔루션을 얻는 것입니다. 최적화된 목표 함수가 1 인 경우 단일 목표 최적화 (Single-

목표 최적화 문제,

SOP). 두 개 이상의 최적화 목표 함수가 있는 경우 다목적 최적화 문제라고 합니다.

마카오 화폐. 해석이 제한된 단일 목표 최적화와는 달리, 다목표 최적화의 해법은 보통 일련의 균형 해법이다.

다목적 최적화 알고리즘은 기존 최적화 알고리즘과 지능형 최적화 알고리즘의 두 가지 주요 범주로 요약할 수 있습니다.

1. 기존의 최적화 알고리즘에는 가중치, 제약 및 선형 프로그래밍 방법 등이 포함됩니다. 기본적으로 다목표 함수를 단일 목표 함수로 변환하고 단일 목표 최적화 방법을 사용하여 다목표 함수를 해결합니다.

2. 지능형 최적화 알고리즘에는 진화 알고리즘 (EA) 과 입자 군 최적화 알고리즘 (PSO) 이 포함됩니다.

파레토 최적 솔루션:

X* ∝ c * 가 있고 c 에 우수한 솔루션 x 가 없는 경우 x * 를 다목적 최적화 모델의 파레토 최적 솔루션 (유효 솔루션이라고도 함) 이라고 합니다.

일반적으로 다목적 최적화 문제에는 최적의 솔루션이 없습니다. 가능한 모든 솔루션을 비열해라고 하며 파레토 솔루션이라고도 합니다. 기존의 최적화 기술은 일반적으로 한 번에 하나의 Pareo 솔루션 세트를 얻을 수 있지만

지능형 알고리즘을 사용하여 풀면 파레토 솔루션을 더 많이 얻을 수 있고 파레토 최적 솔루션이라는 최적의 솔루션 세트로 해체할 수 있습니다. 그것은 어떤 목표 함수 값의 증가는 반드시 그것을 희생해야 하는 것으로 구성되어 있다.

그의 목표 함수 값을 대가로 한 해집은 파레토 최적 도메인 (파레토 세트) 이라고 불린다.

파레토 유효 (최적) 해열해열세트는 적어도 하나의 목표 함수가 집합외 어떤 해법보다 우수한 집합을 가리킨다.

다목적 최적화 문제에 대한 가장 유명한 솔루션은 NSGA-II 입니다. 다목적 유전 알고리즘이지만 솔루션 선택 프로세스는 입자 군 최적화, 벌떼 알고리즘 등과 같은 다른 최적화 알고리즘에 사용할 수 있습니다. 다음은 NSGA-II 의 선택 알고리즘에 대한 간략한 설명입니다. 주로 세 부분으로 구성됩니다.

1. 빠른 비 지배 정렬

지배의 개념을 먼저 말하다. X 1 및 X2 의 경우 X 1 에 해당하는 모든 대상 함수가 X2 (최소 문제) 보다 크지 않고 하나의 대상 값이 X2 보다 작으면 X2 는 X 1 을 기준으로 합니다.

빠른 비 지배적 정렬은 순환적인 분류 과정입니다. 먼저 그룹에서 비 지배적 솔루션 세트를 찾아 첫 번째 비 지배적 층으로 기록하고, irank= 1(irank 는 개인 I 의 비 지배적 인 값입니다), 그룹에서 제거하고, 그룹의 비 지배적 솔루션 세트를 계속 찾고, irank.

2. 개인 혼잡 거리

계산 결과를 대상 공간에 보다 고르게 분배하고, 군체의 다양성을 유지하고, 각 개인에 대해 붐비는 거리를 계산하고, 붐비는 거리가 큰 개체를 선택합니다. 혼잡 거리는 다음과 같이 정의됩니다.

L[i]d=L[i]d+(L[i+ 1]m? L[ 나? 1]m)/(fmaxm? Fminm) 을 참조하십시오

L[i+ 1]m 은 i+ 1 엔티티의 m 번째 대상 함수 값이고 fmaxm 과 fminm 은 콜렉션에서 m 번째 대상 함수 값의 최대값과 최소값입니다.

엘리트 전략적 선택

엘리트 전략은 파레토 최적 솔루션의 손실을 막기 위해 상위 중 우수한 개체를 후손에게 직접 보존하는 것이다. T-point 에 의해 생성된 1 차 하위 구성요소 군체와 상위 군체를 병합한 다음 병합된 새 군체를 비우세 순서로 정렬하고 비우세 순서로 N 크기의 군체에 새 상위로 추가합니다. (존 F. 케네디, Northern Exposure (미국 TV 드라마), 성공명언)