多目標遺傳算法的案例
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
Isight中的多目標優化算法比較
當目標函數有多個峰值時，或設計變量數較多時，NCGA算法要由于NSGA-II算法，但后者一般被作為多目標遺傳算法的基礎測試方法。
AMGA算法在進化過程之外設立一個存檔，用于保存進化過程中的非支配個體及相應的多目標函數值。對每個子目標分別進行處理，所保存的可行非支配設計即組成最優的Pareto前沿。這種算法適用于高度非線性、不連續或非凸及高度約束的搜索空間.
文章轉自有限元在線博客，分享給大家學習交流
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 
兩篇關于多目標遺傳算法NSGA-II的好文章
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
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 C++遺傳算法源程序(多目標優化)
C++遺傳算法源程序(多目標優化)<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2007-03-21 13:23:31被水幽寒評為2星級，為發貼者加分40。</Font><BR><Font color=#FF0000><B>點評:</B></Font><BR><Font color=#FF0000><B>PS:</B>該帖附件于2007-05-21 14:40:51下載次數達到100次，為發貼者加分40。</Font>
遺傳算法.cpp
展開 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。
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。
226 基于matlab的改進的量子遺傳算法對多變量函數尋優完整代碼 ￥12.2
基于matlab的改進的量子遺傳算法對多變量函數尋優完整代碼，內容詳細，包含運行說明，該代碼在量子旋轉門調整中做了一些改進，在“Qgate1”中可以看到，旋轉角度并不是固定不變的，而是將其與適應度以及根的值聯系起來，使得計算更為精確。程序已調通，可直接運行。
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 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。
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 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
