遺傳算法的案例
遺傳算法方面論文
遺傳算法方面論文 01<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2007-07-29 09:02:41被向陽評為4星級，為發(fā)貼者加分80。</Font><BR><Font color=#FF0000><B>點評:</B></Font>
SECTAM18.pdf
避免近親繁殖的遺傳算法.pdf
多目標(biāo)優(yōu)化遺傳算法的收斂性定義及實例研究.pdf
防止遺傳算法成熟前收斂的有效方法英.PDF
改進(jìn)遺傳算法在非線性熱傳導(dǎo)參數(shù)識別中的應(yīng)用.PDF
基于純數(shù)值函數(shù)優(yōu)化的一種混合遺傳算法.pdf
基于擴展串的等價遺傳算法的收斂性.PDF
基于擴展串的等價遺傳算法的收斂性.PDF
基于遺傳算法的微機電系統(tǒng)魯棒性優(yōu)化設(shè)計.pdf
基于遺傳算法的支持向量機時間序列預(yù)測模型優(yōu)化.pdf
均勻設(shè)計法在GA欺騙問題中的應(yīng)用研究.pdf
求解全局最優(yōu)化的遺傳 算法的研究.pdf
十進(jìn)制遺傳算法的收斂性分析.PDF
演化算法的收斂性分析及算法改進(jìn).PDF
一種全局優(yōu)化算法遺傳算法_單純形法.pdf
遺傳模擬退火算法在約束求解中的應(yīng)用.pdf
遺傳算法的早熟收斂.pdf
遺傳算法機理的研究.pdf
展開 多目標(biāo)優(yōu)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(xué)進(jìn)化學(xué)說和遺傳學(xué)理論的啟發(fā)而發(fā)展起來的，是一類模擬自然生物進(jìn)化過程與機制求解問題的自組織與自適應(yīng)的人工智能技術(shù)，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(jīng)過十幾年的努力，遺傳算法不論是在應(yīng)用研究上，算法設(shè)計上，還是在基礎(chǔ)理論上，均取得了長足的發(fā)展，己經(jīng)成為信息科學(xué)、計算機科學(xué)、運籌學(xué)和應(yīng)用科學(xué)等諸多學(xué)科所共同關(guān)注的熱點研究領(lǐng)域。
遺傳算法雖然在過去的20年中得到了廣泛的應(yīng)用，但研究人員己經(jīng)意識到，遺傳算法采用簡單的、固定不變的進(jìn)化策略對復(fù)雜應(yīng)用場合的效果并不理想，傳統(tǒng)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(yīng)用于實際問題的解決中，研究者們開始對基本遺傳算法進(jìn)行改進(jìn)，通過不同的遺傳基因表達(dá)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(chǎn)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(jìn)給一般問題特別是工業(yè)工程中的難以求解的優(yōu)化問題帶來了新的希望和方向。
由于多目標(biāo)優(yōu)化問題在科學(xué)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(biāo)優(yōu)化問題極具研究意義。于是，遺傳算法應(yīng)用于單目標(biāo)問題之后的20多年以后，多目標(biāo)遺傳算法逐漸成為研究熱點。
展開 基于Matlab的協(xié)同進(jìn)化遺傳算法求解旅行商問題
本文在傳統(tǒng)遺傳算法基礎(chǔ)上，對其進(jìn)行改進(jìn)優(yōu)化，提出了精英保留的協(xié)同進(jìn)化遺傳算法，并分別以30、50和75個城市為例，對二者進(jìn)行對比。該算法的運行流程如圖1所示。
圖1 協(xié)同進(jìn)化遺傳算法運行流程
產(chǎn)生初始種群后（設(shè)種群數(shù)量為POP），便按照適應(yīng)度值（即總路程倒數(shù)）高低將其分為三個子種群，其中，子種群1的適應(yīng)度值最大，子種群3的適應(yīng)度值最小。接著，在各個子種群內(nèi)部進(jìn)行交叉變異操作，依次產(chǎn)生新子種群1、新子種群2、新子種群3。同時，三個子種群兩兩之間，也進(jìn)行交叉變異操作，依次產(chǎn)生新子種群4、新子種群5、新子種群6。最后便將這6個新子種群進(jìn)行組合，然后從中隨機挑選出POP-1個個體，并根據(jù)精英保留策略，將其與父代最優(yōu)個體相合并，從而得到新種群、開始下一代的操作。
以30、50、75個城市為例，分別進(jìn)行10次重復(fù)試驗，取各次試驗兩種算法最優(yōu)解的平均值進(jìn)行對比，結(jié)果如圖2所示。
圖2 兩種算法的尋優(yōu)結(jié)果對比
顯然，同傳統(tǒng)遺傳算法相比，協(xié)同進(jìn)化遺傳算法具備更強大的最優(yōu)解搜索能力，尤其當(dāng)城市數(shù)量較多時（如此例中的75），其能更有效地避免陷入局部最優(yōu)，從而找到全局最優(yōu)的解、使得總路程更小。以75個城市數(shù)量為例，兩種算法所確定的最優(yōu)路徑分別如圖3(a)與3(b)所示。
(a) 傳統(tǒng)遺傳算法
(b) 協(xié)同進(jìn)化遺傳算法
圖3 兩種算法所確定的最優(yōu)路徑對比
圖3中，橫軸縱軸分別為每個城市的橫縱坐標(biāo)，圖中的數(shù)字即為每個城市的編號。顯然，協(xié)同進(jìn)化遺傳算法所確定的最優(yōu)路徑更為規(guī)整，這表明其同傳統(tǒng)遺傳算法相比，具有更強的全局尋優(yōu)能力，且具備更好的魯棒性。
最后，有相關(guān)算法需求，歡迎通過微信公眾號聯(lián)系我們。
展開 常用參數(shù)自動標(biāo)定算法總結(jié)（單純形，遺傳算法，貝葉斯優(yōu)化算法，粒子群算法等）
在本推文中介紹四類常用參數(shù)自動標(biāo)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(yōu)化ego方案。
單純形方案實現(xiàn)最簡單，適用于少參數(shù)，更窄的初始區(qū)間
粒子群方案，遺傳算法方案適用于多參數(shù)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(yōu)勢體現(xiàn)為
EGO使用代理模型（如高斯過程回歸）來預(yù)測目標(biāo)函數(shù)，極大減少了實際函數(shù)評估次數(shù)。
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(tài)平衡比GA中盲目變異與交叉更具理論指導(dǎo)。
由于EGO最大化信息利用率，在樣本數(shù)量極少的情況下表現(xiàn)優(yōu)于GA。
當(dāng)樣本數(shù)量少，且有約束優(yōu)化時適合使用ego方法。例如在評估晶體塑性模型參數(shù)時
不過這些優(yōu)化算法經(jīng)常容易陷入局部最優(yōu)，即優(yōu)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(jìn)行微小改進(jìn)，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(jìn)行初始搜索，使用ego回歸分析進(jìn)行特定區(qū)間的優(yōu)化，最后使用NM方案進(jìn)行小區(qū)間尋找，如果陷入局部最優(yōu)解，引入全局?jǐn)_動方案或者爆炸方法跳出局部區(qū)間重新搜索即可。
基于該思路編寫對應(yīng)的程序，實現(xiàn)參數(shù)的自動標(biāo)定過程：
這里實現(xiàn)對vpsc模型的復(fù)雜參數(shù)自動標(biāo)定；
這里使用相對復(fù)雜的鎂合金為例，考慮3組滑移+一組孿晶，每個系統(tǒng)考慮tau_0,tau_s,h_0,一共12個待標(biāo)定參數(shù)給定參數(shù)區(qū)間如下
設(shè)置最大迭代次數(shù)為2000次，初始優(yōu)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(yōu)化算法。
展開 
一本優(yōu)化方面的不錯的書（有粒子群算法和遺傳算法）
180
12.3 路徑跟蹤法 184
12.4 MATLAB優(yōu)化工具箱函數(shù)應(yīng)用實例 187
12.5 小結(jié) 190
第3篇 優(yōu)化計算高級篇 191
第13章 粒子群優(yōu)化算法 192
13.1粒子群算法概述 192
13.2 基本粒子群算法 193
13.3 帶壓縮因子的粒子群算法 197
13.4 權(quán)重改進(jìn)的粒子群算法 200
13.4.1線性遞減權(quán)重法 200
13.4.2自適應(yīng)權(quán)重法 203
13.4.3隨機權(quán)重法 206
13.5學(xué)習(xí)因子改進(jìn)的粒子群算法 208
13.5.1同步變化的學(xué)習(xí)因子 209
13.5.2異步變化的學(xué)習(xí)因子 211
13.6 二階粒子群算法 213
13.7 二階振蕩粒子群算法 216
13.8 混沌粒子群算法 218
13.9 混合粒子群算法 222
13.9.1基于選擇的粒子群算法 222
13.9.2基于交叉遺傳的粒子群算法 224
13.9.3基于模擬退火的粒子群算法 227
13.10 小結(jié) 230
第14章 遺傳優(yōu)化算法 231
14.1遺傳算法概述 231
14.2基本遺傳算法 232
14.3順序選擇遺傳算法 235
14.4適值函數(shù)標(biāo)定的遺傳算法 238
14.5大變異遺傳算法 242
14.6自適應(yīng)遺傳算法 245
14.7雙切點交叉遺傳算法 248
14.8多變異位自適應(yīng)遺傳算法
展開 基于遺傳算法的晶體塑性參數(shù)自動標(biāo)定
在使用晶體塑性理論進(jìn)行分析時，材料參數(shù)的標(biāo)定往往是一個枯燥繁瑣卻十分重要的工作，但由于模型考慮了滑移孿晶相變等眾多的微觀因素，造成了本構(gòu)模型包含了大量的待確定參數(shù)，目前主流的方案依然以試錯法為主，但該方案往往效率十分低下，且需要對每個參數(shù)的影響趨勢去做出準(zhǔn)確判斷，才能給出相對合理的參數(shù)更改，一些研究人員使用特定的優(yōu)化算法可以做到參數(shù)的高效標(biāo)定工作，如：蟻群算法，遺傳算法，機器學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)等，這里以黃永剛唯象的本構(gòu)模型為例，通過遺傳算法的引入，實現(xiàn)參數(shù)的自動標(biāo)定，在遺傳算法中每個設(shè)計點都被視為一個具有特定適應(yīng)度值的個體，該適應(yīng)度值基于目標(biāo)函數(shù)和約束懲罰的值。目標(biāo)函數(shù)值和懲罰值越大的個體，其適應(yīng)度值就越高。假設(shè)在模擬中待確定的材料參數(shù)為Tau_0，Tau_s，H_0，并通過黃永剛初始的材料參數(shù)Tau_0=60.9，Tau_s=109.5，H_0=540.5得到初始的拉伸曲線作為目標(biāo)函數(shù)，并給定參數(shù)對應(yīng)的區(qū)間，Tau_0【30,80】,Tau_s【100,150】,H_0【200,1000】作為待定函數(shù)的區(qū)間，給定初始測試值為Tau_0=50，Tau_s=125，H_0=350，作為初始試探值提供給遺傳算法作為初始值，將遺傳算法得到的不同參數(shù)值對應(yīng)的力-位移曲線和原始黃永剛參數(shù)的力-位移曲線的標(biāo)準(zhǔn)差作為目標(biāo)函數(shù)對參數(shù)進(jìn)行優(yōu)化。優(yōu)化效果如下圖示：
在使用遺傳算法進(jìn)行22次的嘗試過程中，遺傳算法給出的參數(shù)以及對應(yīng)目標(biāo)函數(shù)的值為
可以看到參數(shù)均落在了給定的初始區(qū)間中，隨機迭代次數(shù)的增加，對應(yīng)的目標(biāo)函數(shù)逐漸下降。
展開 遺傳算法與工程設(shè)計
遺傳算法與工程設(shè)計
遺傳算法與工程設(shè)計.part1.rar
遺傳算法與工程設(shè)計.part2.rar
遺傳算法與工程設(shè)計.part3.rar
模擬退火、遺傳算法和神經(jīng)網(wǎng)絡(luò)之比較
模擬退火和遺傳算法屬于優(yōu)化領(lǐng)域的，神經(jīng)元網(wǎng)絡(luò)屬于近似模型的國外叫做metamodel（模型的模型），是完全不同的東西，只所以兩者經(jīng)常出現(xiàn)是因為在優(yōu)化問題里神經(jīng)元網(wǎng)絡(luò)扮演著重要角色．一般的有數(shù)學(xué)表達(dá)式的優(yōu)化問題是最簡單的了這中問題是不會出現(xiàn)神經(jīng)元網(wǎng)絡(luò)的，在工程實際優(yōu)化過程中，目標(biāo)函數(shù)和優(yōu)化設(shè)計變量之間是隱函數(shù)的關(guān)系而且可能高度的非線形，并且這種問題一次的計算機仿真時間可能就很長，如果用遺傳算法或者模擬退火的話直接優(yōu)化是相當(dāng)?shù)南臅r間的，所以很多人引入近似模型的概念，神經(jīng)元網(wǎng)絡(luò)是屬于其中一種，而且可以近似逼近高度非線性的問題．還有就是遺傳算法用到神經(jīng)元網(wǎng)絡(luò)訓(xùn)練方面，不知道大家對神經(jīng)元網(wǎng)絡(luò)了解多少，其實神經(jīng)元網(wǎng)絡(luò)沒有那么玄，是有數(shù)學(xué)基礎(chǔ)的，有一種網(wǎng)絡(luò)叫誤差反饋網(wǎng)絡(luò)，這種網(wǎng)絡(luò)在訓(xùn)練過程中是用剃度法不斷調(diào)整權(quán)值直到達(dá)到滿足誤差才算收斂剃度法有個問題就是求解得到的是局部最優(yōu)．所以就有人在網(wǎng)絡(luò)訓(xùn)練中引入了遺傳算法來訓(xùn)練網(wǎng)絡(luò)權(quán)值．綜上可以看到遺傳算法和神經(jīng)元網(wǎng)絡(luò)的關(guān)系是如此的緊密．
展開 基于遺傳算法的現(xiàn)行兩自由度隔振器的瞬態(tài)最優(yōu)設(shè)計
基于遺傳算法的線性兩自由度隔振器的瞬態(tài)最優(yōu)設(shè)計
韋凌云 趙玫
上海交通大學(xué)振動沖擊噪聲國家重點實驗室 廣西大學(xué)計算機信息與工程學(xué)院
摘要: 線性兩自由度隔振器的瞬態(tài)最優(yōu)設(shè)計問題是一類很難求解的非線性規(guī)劃問題。本文提出一個簡單實用的小生境混合遺傳算法，避開繁瑣的動力靈敏度分析，有效地進(jìn)行隔振器的瞬態(tài)優(yōu)化設(shè)計，一個方針?biāo)憷炞C了算法的有效性和可行性。
關(guān)鍵詞：遺傳算法，隔振器，瞬態(tài)優(yōu)化
內(nèi)容簡介：
0 引言
1 線性兩自由度隔振器的優(yōu)化設(shè)計模型
2 小生境混合遺傳算法
3 數(shù)值仿真與分析
4 結(jié)語
基于遺傳算法的線性兩自由度隔振器的瞬態(tài)最優(yōu)設(shè)計.pdf
展開 基于遺傳算法優(yōu)化阻尼器空間位置的結(jié)構(gòu)振動控制
基于遺傳算法優(yōu)化阻尼器空間位置的結(jié)構(gòu)振動控制
李宏男 董松員 李宏宇
大連理工大學(xué)海岸和近海工程國家重點實驗室，沈陽建筑大學(xué)土木學(xué)院
摘要：通過對多層結(jié)構(gòu)在二維地震動作用下的控制算法和控制機構(gòu)布置準(zhǔn)則的分析，建立了控制機構(gòu)的布置優(yōu)化模型，利用改進(jìn)的遺傳算法中二進(jìn)制單點交叉，避免了用懲罰函數(shù)。以一棟帶有阻尼器控制的結(jié)構(gòu)為例，進(jìn)行了數(shù)值計算和分析，結(jié)果與窮舉法比較表明，本文優(yōu)化算法是快速而有效的。
關(guān)鍵詞：主動控制，遺傳算法，優(yōu)化布置，阻尼器，多維地震動
內(nèi)容簡介：
0 引言
1 運動方程及求解方法
2 控制機構(gòu)的最優(yōu)布置準(zhǔn)則
3 采用的遺傳優(yōu)化算法
3.1 編碼
3.2 適應(yīng)度函數(shù)
3.3 選擇
3.4 改進(jìn)的二進(jìn)制單點交叉
3.5 變異
3.6 收斂
3.7 懲罰函數(shù)
4 數(shù)值計算及分析
5 結(jié)語
基于遺傳算法優(yōu)化阻尼器空間位置的結(jié)構(gòu)振動控制.pdf
展開 多目標(biāo)水資源系統(tǒng)運行決策優(yōu)化的遺傳算法1
多目標(biāo)水資源系統(tǒng)運行決策優(yōu)化的遺傳算法
方紅遠(yuǎn)1，鄧玉梅2，董增川3
(1.揚州大學(xué)；2.國家防汛抗旱總指揮部辦公室；3.河海大學(xué))
摘 要：針對一多目標(biāo)水資源系統(tǒng)優(yōu)化運行問題，本文闡述了多目標(biāo)決策遺傳算法(MODGA)的應(yīng)用。按遺傳算法原理，采用浮點向量表達(dá)解的結(jié)構(gòu)；并依據(jù)多目標(biāo)決策協(xié)調(diào)規(guī)劃法定義適應(yīng)度為任一目標(biāo)點與理想點的距離。對構(gòu)建的模型，文中使用的計算方法的收斂過程相當(dāng)有效，計算結(jié)果合理。
關(guān)鍵詞：多目標(biāo)決策；水資源系統(tǒng)；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(lǐng)域得到應(yīng)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(dá)到改善參與競爭的染色體的特征［1，2］。GA法是一種隨機優(yōu)化技術(shù)，它是通過產(chǎn)生準(zhǔn)隨機數(shù)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(yīng)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(dá)到全局最優(yōu)搜索尚無定論，但GA法的高度魯棒性以及在許多領(lǐng)域的成功應(yīng)用，仍使它成為一種具有吸引力的尋優(yōu)方法。水資源系統(tǒng)規(guī)劃與管理中的許多問題都屬于復(fù)雜的多狀態(tài)、多目標(biāo)離散化問題。多目標(biāo)決策遺傳算法(MODGA)在每一代種群的更新過程中，都能產(chǎn)生大量滿足決策指標(biāo)的權(quán)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(biāo)水資源系統(tǒng)優(yōu)化運行問題為例，闡述GA法在水資源多目標(biāo)決策中的應(yīng)用。
1 系統(tǒng)概況
蘇北平原湖區(qū)水資源短缺現(xiàn)象普遍存在，供需矛盾十分突出，而已有的多級泵站提水調(diào)水成本較高，如何通過科學(xué)規(guī)劃和管理，使系統(tǒng)能有效利用天然徑流和已建工程調(diào)蓄能力，滿足工業(yè)、農(nóng)業(yè)、生活和航運用水的需求，是該地區(qū)水資源合理利用的一個重要課題［7］。
展開 
孟錦豪等：基于NSGA-II遺傳算法的鋰電池均衡指標(biāo)優(yōu)化
求解多目標(biāo)問題目前常見的算法有帕累托差分進(jìn)化算法(Pareto-based differential evolution，PDE)、多目標(biāo)差分進(jìn)化算法(multi-objective differential evolution，MODEA)、多目標(biāo)粒子群優(yōu)化算法(multi-objective particle swarm optimization，MOPSO)及多目標(biāo)遺傳算法(multi-objective genetic algorithm，MOGA)等。MOGA的優(yōu)勢在于其搜索范圍不受限制，能動態(tài)地優(yōu)化多個目標(biāo)，能夠協(xié)調(diào)目標(biāo)函數(shù)之間的關(guān)系，確定最優(yōu)解集，使目標(biāo)函數(shù)盡可能達(dá)到一個相對大(小)的值。非支配排序遺傳算法(non-dominated sorting genetic algorithm，NSGA)是一種基于Pareto最優(yōu)概念的遺傳算法，該算法有利于決策者根據(jù)不同偏好進(jìn)行決策。NSGA-II則是一種在NSGA的基礎(chǔ)上進(jìn)行改進(jìn)的帶有精英策略的算法，有效提高了算法的運算速度和魯棒性，并保證了非劣最優(yōu)解的均勻分布。Gu等分析了電池儲能系統(tǒng)的布置和容量選擇與配電網(wǎng)功率損耗、線路電壓以及電壓波動之間的關(guān)系，使用改進(jìn)的NSGA-II算法實現(xiàn)配電網(wǎng)功率損耗、電壓波動以及電池儲能系統(tǒng)容量最小的目標(biāo)。陳楚昭等針對太陽能光伏系統(tǒng)，以負(fù)載損失概率和能源成本最小為目標(biāo)，引用了NSGA-II算法進(jìn)行求解。
因此，為解決現(xiàn)有研究在需要權(quán)衡多個均衡指標(biāo)時選取均衡閾值缺乏理論基礎(chǔ)的問題，本工作提出基于NSGA-II遺傳算法對多個均衡指標(biāo)進(jìn)行優(yōu)化，并在不同工況對所提方法的有效性進(jìn)行驗證。本工作的主要創(chuàng)新點如下。
展開 遺傳算法 ￥2
進(jìn)化算法
進(jìn)化算法受到自然選擇的啟發(fā)，包括遺傳算法和差分進(jìn)化等技術(shù)。它們通常用于解決使用傳統(tǒng)方法難以或無法解決的復(fù)雜優(yōu)化問題。
關(guān)鍵組件：
總體：優(yōu)化問題的一組候選解決方案。
Fitness Function：評估每個候選解決方案質(zhì)量的函數(shù)。
選擇：一種用于選擇要復(fù)制的最適候選者的機制。
Genetic Operators：修改所選候選者以創(chuàng)建新的后代的運算符，例如交叉和突變。
終止：停止算法的條件，例如達(dá)到最大代數(shù)或令人滿意的適應(yīng)度。
遺傳算法
這些算法使用 crossover 和 mutation 運算符來進(jìn)化種群。通常用于通過依賴生物啟發(fā)的運算符（如 mutation、crossover 和 selection）為優(yōu)化和搜索問題生成高質(zhì)量的解決方案。
python案例
展開 遺傳算法原理及應(yīng)用
很經(jīng)典的一本書 需要的可以下載:D
遺傳算法原理及應(yīng)用.part1.rar
遺傳算法原理及應(yīng)用.part2.rar
『分享』基于遺傳算法的邊坡穩(wěn)定有限元分析
基于遺傳算法的邊坡穩(wěn)定有限元分析<BR><Font color=#FF0000><B>PS:</B>該帖于2007-7-2 16:34:04被yali編輯過。</Font>
基于遺傳算法的邊坡穩(wěn)定有限元分析.pdf
