现在网站尺寸东莞平面设计公司有哪些

现在网站尺寸,东莞平面设计公司有哪些,seo长尾快速排名,企业信息查询软件两种较新多目标优化算法对比#xff08;多目标小龙虾优化算法MOCOA多目标霸王龙优化算法MOTROA)多目标小龙虾优化算法MOCOA多目标霸王龙优化算法MOTROA#xff0c;均为较新的优化算法#xff0c;具有较强的研究价值,也可增加其他算法进来#xff0c;使得测试函数对比图更加…两种较新多目标优化算法对比多目标小龙虾优化算法MOCOA多目标霸王龙优化算法MOTROA) 多目标小龙虾优化算法MOCOA多目标霸王龙优化算法MOTROA均为较新的优化算法具有较强的研究价值,也可增加其他算法进来使得测试函数对比图更加清晰绚丽。 可以基于一种算法做改进然后与经典的多目标优化算法如NSGA-2,NSGA-3MODE等等整合到一张图上对比效果图应该会非常直观好看。 该程序将两种算法和到一起即运行一次即可直接出如下的对比图。 本代码共计46种测试函数外加1种应用测试函数分别为 %1-5:ZDT1、ZDT2、ZDT3、ZDT4、ZDT6 %6-12DTLZ1-DTLZ7 %13-22wfg1-wfg10 %23-32uf1-uf10 %33-42cf1-cf10 %43-46:Kursawe、Poloni、Viennet2、Viennet3 算法评价指标为IGD、GD、HV、Spacing 为了对比时可以清晰的看出对比效果如果初始种群数量设置过大则所有解均在帕累托前沿上无法体现算法性能MOCOA与MOTROA种群数量均设置为20想增强求解能力增大需要增大种群数量。 部分效果如下所示嘿各位技术宅们今天咱来唠唠两种超有意思的多目标优化算法——多目标小龙虾优化算法MOCOA和多目标霸王龙优化算法MOTROA。这俩算法可是新鲜出炉研究价值那叫一个高绝对值得咱深入探究一番。咱先说说为啥要研究这俩算法。在复杂的多目标优化问题面前传统算法有时候就有点力不从心了。而 MOCOA 和 MOTROA 就像是两把新的“利器”给我们提供了不一样的解决思路。为了让这场对比更加精彩我们还可以拉上一些经典的多目标优化算法来一起“玩”比如 NSGA - 2、NSGA - 3 以及 MODE 等等。把它们整合到一张图上进行对比那效果简直不要太直观好看想象一下各种算法的表现一目了然就像一场激烈的算法“武林大会”。这里我们要写个程序把 MOCOA 和 MOTROA 这两种算法“揉”到一起运行一次就能直接得到对比图。是不是听起来就很酷测试函数大集合这个程序可不简单它一共有 46 种测试函数外加 1 种应用呢。咱先来看看这些测试函数都有啥%1 - 5:ZDT1、ZDT2、ZDT3、ZDT4、ZDT6 %6 - 12DTLZ1 - DTLZ7 %13 - 22wfg1 - wfg10 %23 - 32uf1 - uf10 %33 - 42cf1 - cf10 %43 - 46:Kursawe、Poloni、Viennet2、Viennet3这些测试函数涵盖了各种类型的多目标优化场景能够全面地检验算法的性能。比如说 ZDT 系列函数常用于测试算法在不同 Pareto 前沿形状下的表现。像 ZDT1 函数它的 Pareto 前沿是一个线性的形状通过这个函数可以看看算法在处理这种简单形状前沿时的效率。算法评价指标光有测试函数还不行咱得有衡量算法好坏的标准也就是评价指标。这里我们选用了 IGD、GD、HV、Spacing 这几个指标。IGDInverted Generational Distance它衡量的是算法得到的非支配解集与真实 Pareto 前沿之间的距离。IGD 值越小说明算法得到的解越接近真实前沿也就意味着算法性能越好。GDGenerational Distance这个指标主要关注的是算法得到的解与真实 Pareto 前沿上最近点的平均距离。同样GD 值越小算法表现越优。HVHypervolumeHV 可以理解为算法得到的非支配解集所覆盖的目标空间体积。HV 值越大说明算法找到的解在目标空间中覆盖的范围越广也就表示算法搜索到的解越好。Spacing它用来评估非支配解集中解的分布均匀性。Spacing 值越小说明解在 Pareto 前沿上分布得越均匀。种群数量的小秘密在对比过程中为了能清晰地看出对比效果这里面还有个小窍门哦。如果初始种群数量设置过大所有解可能都会跑到帕累托前沿上这样就没办法体现出算法的性能差异了。所以呢我们把 MOCOA 与 MOTROA 的种群数量都设置为 20 。要是你想增强算法的求解能力那就得适当增大种群数量啦。下面咱简单看看代码实现部分这里以伪代码为例# 初始化MOCOA种群 mocoa_population initialize_population(20) # 初始化MOTROA种群 motroa_population initialize_population(20) for generation in range(max_generations): # MOCOA进化过程 new_mocoa_population mocoa_evolve(mocoa_population) # MOTROA进化过程 new_motroa_population motroa_evolve(motroa_population) # 更新种群 mocoa_population new_mocoa_population motroa_population new_motroa_population # 计算评价指标 mocoa_igd calculate_igd(mocoa_population, true_pareto_front) motroa_igd calculate_igd(motroa_population, true_pareto_front) # 类似计算其他指标如GD、HV、Spacing在这段伪代码里首先初始化了 MOCOA 和 MOTROA 的种群数量都是 20 。然后在每一代的进化过程中分别对两个算法的种群进行进化操作接着更新种群。最后计算它们的 IGD 指标当然实际代码中还得计算其他指标这样就能通过这些指标来对比两个算法在每一代的表现啦。通过这样的对比我们就能清晰地看到 MOCOA 和 MOTROA 在不同测试函数下的性能差异到底谁更胜一筹一目了然。这对于我们在实际应用中选择合适的多目标优化算法可是非常有帮助的哦希望大家也能对这两种算法产生浓厚的兴趣一起深入研究研究~