多目標粒子群算法的案例
基于pytorch的多目標粒子群算法 ￥59.9
基于pytorch的多目標粒子群算法，MOPSO,引導種群逼近真實Pareto前沿，算法運行結束后將外部存檔中粒子作為獲得的Pareto最優解近似。程序已調通，可以直接運行，標價為程序價格，不包含售后。程序保證可直接運行。
11基于matlab的多目標粒子群算法，MOPSO,引導種群逼近真實Pareto前沿，算法運行結束后 ￥29.9
基于matlab的多目標粒子群算法，MOPSO,引導種群逼近真實Pareto前沿，算法運行結束后將外部存檔中粒子作為獲得的Pareto最優解近似。程序已調通，可以直接運行。
214基于matlab的交互多模算法（IMM）機動目標跟蹤算法 ￥25.5
基于matlab的交互多模算法（IMM）機動目標跟蹤算法，完整的15頁文檔論文。根據二維空間內目標作勻速直線運動和勻速圓周運動的特點，在建立目標運動模型和觀測模型的基礎上采用基于交互多模算法（IMM）的卡爾曼濾波器對機動目標進行跟蹤。仿真結果表明，該算法不僅能夠對勻速直線運動和勻速圓周運動的目標進行跟蹤，而且在運動模型發生變化時，濾波誤差也比較小。程序已調通，可直接運行。
多目標優化中文文獻
多目標優化
Pareto遺傳算法在貨位配置中的應用研究.pdf
PSO算法在工程優化問題中的應用.PDF
采用改進PSO的非線性系統T_S模糊模型辯識.pdf
帶陰性選擇的粒子群優化算法.pdf
單純形-多目標粒子群優化方法的混合算法.PDF
導彈運輸發射車動態參數的多目標優化.pdf
電力公司購電、配電計劃的多目標優化算法.pdf
電力系統無功優化中PSO算法的改進研究.pdf
動態優化環境下的群核進化粒子群優化方法.pdf
多目標調度模型在尼山水庫的應用.pdf
多目標決策在高校實驗室設備采購中的應用.pdf
多目標識別的聯合變換相關器的研究.pdf
多目標優化方法檢測隨機受迫系統的混沌現象以及在心率變異信號分析中的應用.PDF
多目標優化遺傳算法的收斂性定義及實例研究.pdf
多目標優化遺傳算法在飛航導彈設計中的應用.pdf
多目標最優化的粒子群算法.PDF
番茄形態結構模型參數的多目標擬合估算方法研究.pdf
復合材料層合板蠕變屈曲與變形的優化問題.pdf
改進的多目標粒子群算法.pdf
改進的基本粒子群優化算法.PDF
隱身性能約束的多目標氣動外形優化設計.pdf
一種解決多目標優化問題改進的進化規劃算法.pdf
一種基于多Agent的進化多目標優化算法.pdf
展開 
常用參數自動標定算法總結（單純形，遺傳算法，貝葉斯優化算法，粒子群算法等）
在本推文中介紹四類常用參數自動標定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優化ego方案。
單純形方案實現最簡單，適用于少參數，更窄的初始區間
粒子群方案，遺傳算法方案適用于多參數更大的空間適合全局搜索
ego方案相比于其余三類方案的優勢體現為
EGO使用代理模型（如高斯過程回歸）來預測目標函數，極大減少了實際函數評估次數。
EGO在每一步都智能選擇下一個最值得評估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動態平衡比GA中盲目變異與交叉更具理論指導。
由于EGO最大化信息利用率，在樣本數量極少的情況下表現優于GA。
當樣本數量少，且有約束優化時適合使用ego方法。例如在評估晶體塑性模型參數時
不過這些優化算法經常容易陷入局部最優，即優化算法在搜索過程中被某個“看起來很好”的解吸引，不斷圍繞它進行微小改進，最終卡在“局部低谷”而不是“全局最低點”。
一個更合理的做法是：使用粒子群和遺傳算法在全局進行初始搜索，使用ego回歸分析進行特定區間的優化，最后使用NM方案進行小區間尋找，如果陷入局部最優解，引入全局擾動方案或者爆炸方法跳出局部區間重新搜索即可。
基于該思路編寫對應的程序，實現參數的自動標定過程：
這里實現對vpsc模型的復雜參數自動標定；
這里使用相對復雜的鎂合金為例，考慮3組滑移+一組孿晶，每個系統考慮tau_0,tau_s,h_0,一共12個待標定參數給定參數區間如下
設置最大迭代次數為2000次，初始優化來自粒子群算法，依次是遺傳算法單純形算法和貝葉斯優化算法。
展開 多目標優化的微分進化算法
多目標優化的微分進化算法
多目標優化的微分進化算法.pdf
多目標優化問題有效解的一階必要條件.pdf
基于深度學習的多目標跟蹤算法原理
來源 |
人工智能感知信息處理算法研究院
基于深度學習的多目標跟蹤算法的主要任務是，優化檢測目標之間的相似性或距離度量的設計。根網絡學習到的特征的區別，可以將基于深度學習的多目標跟蹤算法分為基于深度表現特征的跟蹤網絡，基于相似性度量的跟蹤網絡以及基于高階匹配特征的跟蹤網絡如下圖所示。
將神經網絡學習到的目標的表觀特征引入到多目標跟蹤算法中，是提升多目標跟蹤算法效果的最簡單直接的辦法。其具體的操作方法有以下幾種：利用在圖像識別或行人重識別任務訓練得到的特征提取網絡，直接替換現有的多目標跟蹤算法框架中的表觀特征提取模塊；采用深度神經網絡學習光流運動特征，將光流網絡引入到算法中計算目標之間的運動相關性等。而通過深度學習提升多目標跟蹤算法更加直接的方法是學習檢測之間的特征相似性。譬如，設計深度網絡對不同目標之間的相似性進行度量，使得同一目標的相似距離小，不同目標的相似距離大，從而構造關于檢測距離的代價函數。也可以通過設計二分類代價，使相同目標的檢測特征匹配類型為 1，然不同目標的檢測特征匹配類型為 0，從而學習并輸出(0,1]之間的檢測匹配度。如果考慮已有軌跡與檢測之間的匹配，采用深度學習方法可以用于設計并計算軌跡之間的匹配相似度，這種方法可以認為是基于深度學習的高階特征匹配方法。使用深度學習計算高階特征匹配算法，可以學習多幀表現特征的高階匹配相似度，也可以學習運動特征的匹配相關度。下面將通過對基于孿生網絡的深度學習多目標跟蹤算法的詳細介紹，來說明基于深度學習的多目標跟蹤算法的詳細步驟。
基于對稱網絡的多目標跟蹤算法有很多種，而其中的一種便是采用 Siamese對稱卷積網絡，該算法以兩個尺寸相同的檢測圖像塊為輸入，輸出為兩個圖像塊是否屬于同一個目標的判別。
展開 Isight中的多目標優化算法比較
對多個子目標同時進行優化的問題稱為多目標優化問題，又稱多準則優化問題、多性能優化問題。實際工程中，優化問題大多數屬于多目標問題，目標之間一般都是互相沖突的，因此在設計時需要進行多目標的比較，并進行權衡和折衷。自20世紀70年代以來，多目標優化問題在國際上引起了廣泛的關注，并迅速發展為一門新興的學科。
多目標優化算法主要分為兩大類：歸一化方法和非歸一化方法。
歸一化方法的解決方法通過加權或其他方式將多個目標轉化為單一目標，然后通過成熟的單目標優化方法求解。加權法是歸一化算法的代表算法之一，該算法主要是根據各子目標的重要程度分別指定相應的加權系數，將多目標問題單目標化，但其主要有兩個缺點：
（1）當目標函數的數量增加時，權重系數在目標空間里的等值面的關系不再直觀；
（2）如果Pareto前沿形狀中存在沒有凸起的部分，則無法求得這部分Pareto最優解。且加權法的權值通常并不是決策者設定，而是優化者決定，這在很大程度上受到了優化者主觀的影響。
非歸一化方法是采用Pareto機制直接處理多個目標的優化技術，它不需要將多個目標轉化為單一目標，因此解決了歸一化方法的缺點。非歸一化方法能夠使所求解集的前沿與Pareto前沿盡量接近，并盡量均勻覆蓋Pareto前沿。非歸一化方法中的代表方法是：多目標遺傳算法、eArtius公司的ParetoExplorer方法等。
展開 深度學習|基于MobileNet的多目標跟蹤深度學習算法
源自：控制與決策 作者：薛俊韜 馬若寒 胡超芳
摘要
針對深度學習算法在多目標跟蹤中的實時性問題, 提出一種基于MobileNet的多目標跟蹤算法. 借助于MobileNet深度可分離卷積能夠對深度網絡模型進行壓縮的原理, 將YOLOv3主干網絡替換為MobileNet, 通過將標準卷積分解為深度卷積和逐點卷積, 保留多尺度預測部分, 以有效減少參數量. 對于檢測得到的邊框信息, 利用Deep-SORT算法進行跟蹤. 實驗結果表明, 所提出方法在跟蹤效果基本不變的情況下可提升處理速度近50%.
關鍵詞
深度學習 多目標跟蹤 目標檢測 YOLOv3 deep-SORT MobileNet
0 引言
多目標跟蹤是計算機視覺領域的研究熱點, 可應用于交通監測、安防等多個領域, 具有一定的應用價值和挑戰性[1]. 檢測方式可以分為檢測跟蹤和無檢測跟蹤兩類, 前者需要檢測目標后再進行跟蹤; 后者需要在第1幀手動初始化目標, 然后進行跟蹤. 在目標跟蹤中, 涌現出許多具有良好性能的算法, 如SSD[2]、R-CNN[3-4]以及YOLO系列[5-7], 其中YOLOv3[7]算法在檢測跟蹤中體現出較強的優勢.
由于深度學習的發展, 卷積神經網絡模型逐漸替代了傳統手工設計的特征, 提供了一種端到端的處理方法, 精度也大幅提高. 但CNN模型在不斷提高精度的同時, 其網絡深度和尺寸也在成倍增長, 需要GPU來進行加速, 使得基于深度學習的跟蹤算法無法直接應用于移動設備, 導致難以符合實時性要求. 因此降低算法復雜度、提高實時性、簡化和加速模型便成為亟待解決的問題. 文獻[8-10]使用剪枝方法對神經網絡進行網絡壓縮. 文獻[11]提出從零開始訓練低秩約束卷積神經網絡模型的方法, 不僅速度得到提升, 而且在一些情況下模型性能也有所提高.
展開 兩篇關于多目標遺傳算法NSGA
詳細介紹了iSIGHT中的多目標遺傳算法NSGA-II
1. A Fast and Elitist Multiobjective Genetic Algorithm:NSGA-II
2. An efficient constraint handling method for genetic algorithms
下載解壓縮
NSGA-II.part1.rar
NSGA-II.part2.rar
NSGA-II.part3.rar
NSGA-II.part4.rar
NSGA-II.part5.rar
基于演化算法的多目標優化方法及其應用研究
基于演化算法的多目標優化方法及其應用研究part1
基于演化算法的多目標優化方法及其應用研究.part1.rar
基于演化算法的多目標優化方法及其應用研究.part2.rar
基于演化算法的多目標優化方法及其應用研究.part3.rar
230基于matlab的布谷鳥（COA）多目標優化算法 ￥12.9
基于matlab的布谷鳥（COA）多目標優化算法，以 滿意度、成本、時間、質量為目標的多目標優化求解代碼。程序已調通，可直接運行。
多目標水資源系統運行決策優化的遺傳算法1
多目標水資源系統運行決策優化的遺傳算法
方紅遠1，鄧玉梅2，董增川3
(1.揚州大學；2.國家防汛抗旱總指揮部辦公室；3.河海大學)
摘 要：針對一多目標水資源系統優化運行問題，本文闡述了多目標決策遺傳算法(MODGA)的應用。按遺傳算法原理，采用浮點向量表達解的結構；并依據多目標決策協調規劃法定義適應度為任一目標點與理想點的距離。對構建的模型，文中使用的計算方法的收斂過程相當有效，計算結果合理。
關鍵詞：多目標決策；水資源系統；遺傳算法
在過去的20多年中，基于計算機的各種智能算法已在許多領域得到應用，其中遺傳算法(GA)是運用較普遍的一種方法。這種搜索法借助于生物激勵機制，通過種群換代達到改善參與競爭的染色體的特征［1，2］。GA法是一種隨機優化技術，它是通過產生準隨機數代替候硯以完成解空間的搜索，隨著種群的不斷換代，前代候硯的概率分布相應地被后代更新。雖然由于生成各代種群中染色體的隨機性能否確保達到全局最優搜索尚無定論，但GA法的高度魯棒性以及在許多領域的成功應用，仍使它成為一種具有吸引力的尋優方法。水資源系統規劃與管理中的許多問題都屬于復雜的多狀態、多目標離散化問題。多目標決策遺傳算法(MODGA)在每一代種群的更新過程中，都能產生大量滿足決策指標的權衡解，故它能給出一個較廣范圍的非劣解［5］。本文以解決這一實際的多目標水資源系統優化運行問題為例，闡述GA法在水資源多目標決策中的應用。
1 系統概況
蘇北平原湖區水資源短缺現象普遍存在，供需矛盾十分突出，而已有的多級泵站提水調水成本較高，如何通過科學規劃和管理，使系統能有效利用天然徑流和已建工程調蓄能力，滿足工業、農業、生活和航運用水的需求，是該地區水資源合理利用的一個重要課題［7］。
展開 208基于matlab的多目標遺傳算法的無人機航路規劃 ￥49.9
基于matlab的多目標遺傳算法的無人機航路規劃。在三維航路中進行航路代價估計，綜合考慮路徑長度、隱蔽性、危險度，規劃出最優路徑。輸出3D規劃路徑。程序已調通，可直接運行。
多目標優化之非支配排序遺傳算法（NSGA-II） ￥39.99
遺傳算法GA ( Genetic Algorithms)是受生物學進化學說和遺傳學理論的啟發而發展起來的，是一類模擬自然生物進化過程與機制求解問題的自組織與自適應的人工智能技術，是一種借鑒生物界自然選擇和自然遺傳機制的隨機的搜索算法，由Holland教授于1975年提出。
經過十幾年的努力，遺傳算法不論是在應用研究上，算法設計上，還是在基礎理論上，均取得了長足的發展，己經成為信息科學、計算機科學、運籌學和應用科學等諸多學科所共同關注的熱點研究領域。
遺傳算法雖然在過去的20年中得到了廣泛的應用，但研究人員己經意識到，遺傳算法采用簡單的、固定不變的進化策略對復雜應用場合的效果并不理想，傳統的遺傳算法逐漸暴露出一些缺點。所以，為了提高遺傳算法的性能，使其更好地應用于實際問題的解決中，研究者們開始對基本遺傳算法進行改進，通過不同的遺傳基因表達方式，不同的交叉和變異算子的選擇，特殊算子的引用，以及不同的再生和選擇方法，產生了以基本遺傳算法為核心的各種算法。遺傳算法的這些擴展和改進給一般問題特別是工業工程中的難以求解的優化問題帶來了新的希望和方向。
由于多目標優化問題在科學和工程實踐中普遍存在，但又缺少確實有效的解決方法，研究人員把目光投向了具有多方向和全局搜索特點的遺傳算法。遺傳算法的這一基本特點可以確保帶有潛在解的種群能夠一代一代地維持下來，這種從種群到種群的方法對于搜索Pareto解非常有益，因此，利用遺傳算法解決多目標優化問題極具研究意義。于是，遺傳算法應用于單目標問題之后的20多年以后，多目標遺傳算法逐漸成為研究熱點。
展開 