nsga-net: neural architecture search using multi-objective genetic algorithm
**筆記：nsga-net: neural architecture search using multi-objective genetic algorithm
efficient multi-objective neural architecture search via lamarckian evolution—iclr2019
多目標進化演算法的種類很多，可以依據某一特徵將它們分門別類。基於不同的選擇機制，我們可以對其進行分類：
(3) 聚集函式（aggregatingfunctions）
nsga-ii入門c1
nsga2 演算法matlab完整** 中文注釋詳解
多目標優化演算法（一）nsga-ⅱ（nsga2）（原理與**交替進行，演算法流程圖）
多目標中的目標是個啥？
多目標即是優化問題中的優化目標在3個及以上，一般這些優化的目標都存在著矛盾，例如：我要買乙個又便宜又漂亮又效能好的車的時候，**，外觀， 效能 這就是乙個典型的多目標問題，我們必須在商品的**，外觀和效能上做出取捨，畢竟外觀漂亮效能強勁的車型往往意味著高的**。
多目標中的支配是個瓦特？
我們經常聽說 支配與非支配解集 ，那麼什麼叫做支配，什麼叫做非支配呢？還是上面汽車的例子，如果汽車a**30萬，外觀a等，效能a等；汽車b**40萬，外觀a-等，效能a-等，就說汽車a支配了汽車b。如果有一輛汽車c**20萬，外觀b等，效能b等，相較於汽車a，雖然c的外觀和效能都比汽車a要差，但是其**上比汽車a要低，從**這個評價標準上來看，汽車c是要優於汽車a的，所以說汽車c和汽車a是屬於乙個非支配的關係。即當a所有目標都優於b時，就說a支配了b，否則a和b就是乙個非支配的關係 ，而在nsga-ii中，種群中所有不被任何其他解支配的解構成了非支配前沿(pareto最優解)
對於rank值，首先我們將解集中的 所有不能被任何其他的解支配的解集 (即最厲害最牛的解)挑出來設為rank0，然後將這些解從解集中排除，考慮剩下所有解中 所有不能被任何其他的解支配的解集 挑出來設為rank1，…通過支配關係將解集中所有的解進行排序，得到所有解的等級。我們認為 rank值越小的解越好。在選擇的過程中我們設定 每次迭代種群中個體的數量n是定值 ，而每次挑選時，先挑選表現最好的解–即rank0的解，接著是rank1,rank2,rank3…,
但是我們總會出現rank值相同的情況。為了判定同乙個rank層的解的好壞，設定 擁擠度 作為同rank非支配解集中解的評價標準。
遺傳演算法有自動收斂的性質，所以為了保證解的多樣性，我們往往希望同一rank層中的解能夠相互分開，所以設定了 擁擠度 這個概念，認為 解之間距離開的解比解之間距離小的解更好 擁擠距離排序用於保持解的多樣性。 每個個體的擁擠距離是通過計算與其相鄰的兩個個體在每個子目標函式上的距離差之和來求取，即下圖中虛線四邊形的長和寬之和
每個父代pt 都會通過 交叉和變異 (其中多目標遺傳演算法中的交叉和變異與傳統遺傳演算法中的交叉和變異沒有區別) 生成子代qt ,父代和子代的所有個體集合稱為 rt ,先通過 非支配排序 選出rt中的合適個體，再通過 擁擠度排序 選出同一rank層中的個體，使新的種群集合 pt+1 的個體數目為n。 這一過程常常會使用以下兩種圖進行表示：
多目標優化1——基於分解的多目標進化演算法（moea/d）
多目標進化演算法(moea)概述
多目標進化演算法詳述-moea/d與nsga2優劣比較
為了深入理解進化演算法，我們給出了基於pareto的moea的基本流程，如圖2.1所示。首先初始化種**，然後選擇某乙個進化演算法（如基於分解的多目標進化演算法，moea/d）對p執行進化操作（如選擇、交叉、突變），得到新的種群r。然後構造p∪r的帕累託最優解集nset，我們將最優解集的大小設定為n，如果當前最優解集nset的大小與n的大小不一致，那麼我們需要調整nset的大小，同時必須注意調整過後的nset需要滿足分布性要求。之後判斷演算法終止條件是否已經被滿足，如果不滿足條件則將nset中的個體複製到種**中繼續下一輪的進化，否則結束。我們一般用演算法的迭代次數來控制它的執行。
在moea中，演算法收斂的必要條件同時也是乙個極其重要的方面是：保留上一代的最優解集並將其加入新一代的進化過程。這樣進化下去，進化種群的最優解集不斷向真正的pareto前沿面收斂，最終得到令人滿意的進化結果。
automl 演化演算法
快速搜尋 多目標 基本概念 選擇 在進化演算法中存在兩個階段的選擇。經典的選擇演算法 輪盤賭演算法和錦標賽演算法是常見兩種選擇策略。我想問一下 精英 代表歷史最優個體，還是代表每一代的最優個體。由於每一代都執行該策略，所以歷史最優和每代最優一樣一樣滴。分類 進化演算法包括遺傳演算法 遺傳規劃 程式設...
automl 演化演算法 粒子群演算法
參考博文 粒子群優化演算法 particle swarm optimization pso 離散粒子群演算法 dpso 和離散二進位制粒子群演算法 bpso 粒子群優化演算法 1 粒子群優化演算法 2 離散粒子群演算法 普通粒子群演算法 particle swarm optimization alg...
多目標跟蹤演算法SOART
本文對多目標檢測方法soart進行了翻譯 文章的重點是有效地處理幀與幀之間的關聯。使用卡爾曼濾波器處理跟蹤問題的運動 使用匈牙利演算法處理資料關聯分量 文章只針對各種環境下的行人跟蹤，但是根據cnn 網路靈活性，可以應用到其他目標的跟蹤。1.文章是基於 cnn的在多目標跟蹤 2.提出了一種基於卡爾曼...