浑浑噩噩的英文噩翻译噩英语怎么说-食品安全 英语作文
2023年10月10日发(作者：国王的演讲英文字幕)
进化算法简介
阅读⽬录
进化算法，也被成为是演化算法（evolutionary algorithms，简称EAs），它不是⼀个具体的算法，⽽是⼀个“算法簇”。进化算法
的产⽣的灵感借鉴了⼤⾃然中⽣物的进化操作，它⼀般包括基因编码，种群初始化，交叉变异算⼦，经营保留机制等基本操作。与传统的
基于微积分的⽅法和穷举⽅法等优化算法（具体介绍见博客中的其他数学优化⽅法）相⽐，进化计算是⼀种成熟的具有⾼鲁棒性和⼴泛适
⽤性的全局优化⽅法，具有⾃组织、⾃适应、⾃学习的特性，能够不受问题性质的限制，有效地处理传统优化算法难以解决的复杂问题
（⽐如NP难优化问题）。
除了上述优点以外，进化算法还经常被⽤到多⽬标问题的优化求解中来，我们⼀般称这类进化算法为进化多⽬标优化算法
Step 4 个体选择：设计合适的选择算⼦来对种群P(g)个体进⾏选择，被选择的个体将进⼊交配池中组成⽗代种群FP(g)，⽤于交叉变
% This example is used to explain the GA.
% max f(x1, x2) = 21.5 + x1·sin(4pi*x1) + x2·sin(20pi*x2)
% s.t. -3.0 <= x1 <= 12.1
% 4.1 <= x2 <= 5.8
clc; clear all;
M = 40;N = 33;
generation = 1000;
it = 1;
pm = 0.05;%变异概率
pc = 0.8;%交叉概率
maxdata = -200;
pop = round(rand(M,N));%初始化矩阵，产⽣初始种群
x1 = decode_x1(pop(:,1:18)); %对x1 x2进⾏解码
x2 = decode_x2(pop(:,19:end));
fitness = 21.5 + x1.*sin(4*pi*x1) +x2.*sin(20*pi*x2);%适应度函数
while it < generation
[B] = seclection(fitness,pop);%轮盘赌选择
[newpop] = crossover(pc,B);%交叉
[B] = mutation(pm,newpop);%变异操作
pop = B;
x1 = decode_x1(pop(:,1:18));
x2 = decode_x2(pop(:,19:end));
fitness = 21.5 + x1.*sin(4*pi*x1) +x2.*sin(20*pi*x2);%计算适应度
[fit_best,index] = max(fitness);%本代中的最优⽬标值
if fit_best >= maxdata
function x2=encode_x2(code)
[M,N] = size(code);
sum = zeros(N);
%变异
function [newpop]=mutation(pm,A)
[M,N]=size(A);
newpop=A;
W = rand(M,N) for i=1:M for j=1:N if W(i,j) ==1 if A(i,j)~=1 newpop(i,j)= 1; else newpop(i,j) = 0; end clear all clc tic N=50;%the number of the population numvariate=1;%the number of the variate of each individual numfun=2; %%%input :the population Rt of size N*m,output:the value of the population %%%Rt of size N*numf,numf if the number of the objective function [ funvalueRt ] = funfvalue( Rt) %% 测试数据SCH funvalueRt(:,1)=Rt.^2; funvalueRt(:,2)=(Rt-2).^2; % % input Pt ,size of N*m;output Rt,size of 2N*m function [ Rt ] = Genetic_Operators( Pt,minx,maxx,numvariate,numfun) %% 不交叉则变异，避免种群中数值相同的个体存在，这样可以保持种群的多样性 pc=0.9; pm=0.1; % %%Fii存储占优⾯上相应每个个体在种群Rt中的编号，即⾏号 function [Fii] = fast_nondominated_sort( Rt,numvariate,numfun) N=size(Rt,1); Sp=zeros(N,N+1);%Sp的第⼀列表⽰每个Spi所拥有的个数，即p所⽀配的个数，从第⼆列开始表⽰被p⽀配的个体 np=zeros(N,1); Finum=zeros(N,N+1); % Fi=zeros(N,N+1,numvariate); prank=zeros(N,1); funvalueRt=Rt(:,(numvariate+1):(numvariate+numfun)); for p=1:N for q=1:N if q~=p %%% 这⾥还有另外⼀种情况，即Rt(p)不⽀配Rt(q)，也不被Rt(q)⽀配 if dominate(funvalueRt(p,:),funvalueRt(q,:))==1 Sp(p,1)=Sp(p,1)+1; Sp(p,Sp(p,1)+1)=q; elseif dominate(funvalueRt(q,:),funvalueRt(p,:))==1 np(p)=np(p)+1; end %%% input:Fi of size 1*(2*N+1),output:Idistance of size 1*(FiRt(1,1)) function [Idistance] = crowdiing_distance_assignment(Fi,Rt,numvariate,numfun) NFi=Fi(1,1); Idistance=zeros(1,NFi); funvalueI1=zeros(NFi,numfun); if NFi<=2 Idistance=Inf*ones(1,NFi); else b=Fi(2:(Fi(1,1)+1)); funvalueI1=Rt(b,(numvariate+1):(numvariate+numfun)); % b=Fi(2:(Fi(1,1)+1)); % for i=1:NFi % funvalueI1(i,:)=Rt(b(i),(numvariate+1):(numvariate+numfun));
辊筒的英文译语怎么说-sportlemon
浑浑噩噩的英文噩翻译噩英语怎么说-食品安全 英语作文
2023年10月10日发(作者：国王的演讲英文字幕)
进化算法简介
阅读⽬录
进化算法，也被成为是演化算法（evolutionary algorithms，简称EAs），它不是⼀个具体的算法，⽽是⼀个“算法簇”。进化算法
的产⽣的灵感借鉴了⼤⾃然中⽣物的进化操作，它⼀般包括基因编码，种群初始化，交叉变异算⼦，经营保留机制等基本操作。与传统的
基于微积分的⽅法和穷举⽅法等优化算法（具体介绍见博客中的其他数学优化⽅法）相⽐，进化计算是⼀种成熟的具有⾼鲁棒性和⼴泛适
⽤性的全局优化⽅法，具有⾃组织、⾃适应、⾃学习的特性，能够不受问题性质的限制，有效地处理传统优化算法难以解决的复杂问题
（⽐如NP难优化问题）。
除了上述优点以外，进化算法还经常被⽤到多⽬标问题的优化求解中来，我们⼀般称这类进化算法为进化多⽬标优化算法
Step 4 个体选择：设计合适的选择算⼦来对种群P(g)个体进⾏选择，被选择的个体将进⼊交配池中组成⽗代种群FP(g)，⽤于交叉变
% This example is used to explain the GA.
% max f(x1, x2) = 21.5 + x1·sin(4pi*x1) + x2·sin(20pi*x2)
% s.t. -3.0 <= x1 <= 12.1
% 4.1 <= x2 <= 5.8
clc; clear all;
M = 40;N = 33;
generation = 1000;
it = 1;
pm = 0.05;%变异概率
pc = 0.8;%交叉概率
maxdata = -200;
pop = round(rand(M,N));%初始化矩阵，产⽣初始种群
x1 = decode_x1(pop(:,1:18)); %对x1 x2进⾏解码
x2 = decode_x2(pop(:,19:end));
fitness = 21.5 + x1.*sin(4*pi*x1) +x2.*sin(20*pi*x2);%适应度函数
while it < generation
[B] = seclection(fitness,pop);%轮盘赌选择
[newpop] = crossover(pc,B);%交叉
[B] = mutation(pm,newpop);%变异操作
pop = B;
x1 = decode_x1(pop(:,1:18));
x2 = decode_x2(pop(:,19:end));
fitness = 21.5 + x1.*sin(4*pi*x1) +x2.*sin(20*pi*x2);%计算适应度
[fit_best,index] = max(fitness);%本代中的最优⽬标值
if fit_best >= maxdata
function x2=encode_x2(code)
[M,N] = size(code);
sum = zeros(N);
%变异
function [newpop]=mutation(pm,A)
[M,N]=size(A);
newpop=A;
W = rand(M,N) for i=1:M for j=1:N if W(i,j) ==1 if A(i,j)~=1 newpop(i,j)= 1; else newpop(i,j) = 0; end clear all clc tic N=50;%the number of the population numvariate=1;%the number of the variate of each individual numfun=2; %%%input :the population Rt of size N*m,output:the value of the population %%%Rt of size N*numf,numf if the number of the objective function [ funvalueRt ] = funfvalue( Rt) %% 测试数据SCH funvalueRt(:,1)=Rt.^2; funvalueRt(:,2)=(Rt-2).^2; % % input Pt ,size of N*m;output Rt,size of 2N*m function [ Rt ] = Genetic_Operators( Pt,minx,maxx,numvariate,numfun) %% 不交叉则变异，避免种群中数值相同的个体存在，这样可以保持种群的多样性 pc=0.9; pm=0.1; % %%Fii存储占优⾯上相应每个个体在种群Rt中的编号，即⾏号 function [Fii] = fast_nondominated_sort( Rt,numvariate,numfun) N=size(Rt,1); Sp=zeros(N,N+1);%Sp的第⼀列表⽰每个Spi所拥有的个数，即p所⽀配的个数，从第⼆列开始表⽰被p⽀配的个体 np=zeros(N,1); Finum=zeros(N,N+1); % Fi=zeros(N,N+1,numvariate); prank=zeros(N,1); funvalueRt=Rt(:,(numvariate+1):(numvariate+numfun)); for p=1:N for q=1:N if q~=p %%% 这⾥还有另外⼀种情况，即Rt(p)不⽀配Rt(q)，也不被Rt(q)⽀配 if dominate(funvalueRt(p,:),funvalueRt(q,:))==1 Sp(p,1)=Sp(p,1)+1; Sp(p,Sp(p,1)+1)=q; elseif dominate(funvalueRt(q,:),funvalueRt(p,:))==1 np(p)=np(p)+1; end %%% input:Fi of size 1*(2*N+1),output:Idistance of size 1*(FiRt(1,1)) function [Idistance] = crowdiing_distance_assignment(Fi,Rt,numvariate,numfun) NFi=Fi(1,1); Idistance=zeros(1,NFi); funvalueI1=zeros(NFi,numfun); if NFi<=2 Idistance=Inf*ones(1,NFi); else b=Fi(2:(Fi(1,1)+1)); funvalueI1=Rt(b,(numvariate+1):(numvariate+numfun)); % b=Fi(2:(Fi(1,1)+1)); % for i=1:NFi % funvalueI1(i,:)=Rt(b(i),(numvariate+1):(numvariate+numfun));