- 博客(526)
- 资源 (401)
- 收藏
- 关注
原创 【图书】没有免费的午餐定理
在科学、计算和工程的各个领域中出现的优化问题取决于参数的数量、解空间的大小,主要取决于目标函数,目标函数的定义至关重要,因为它在很大程度上决定了问题的难度。因此,定义和解决优化问题有时是一项极其困难和苛刻的任务。来自不同领域的研究人员已经参与解决优化问题,因为这是他们主要研究的一部分,或者因为他们面临的问题可以通过优化问题来解决。对这一问题的研究工作使许多建立在坚实的数学概念基础上的方法和技术得以阐述,这些方法和技术的应用产生了显著的良好结果。
2024-04-16 10:59:05 635
原创 【1997 论文】优化问题中的没有免费午餐定理
在过去的几十年里,人们对通用的“黑箱”优化算法越来越感兴趣,这种算法利用了有限的关于优化问题的知识。在很大程度上,这些算法是从自然界中发生的优化过程中获得灵感的。特别是,两种最流行的黑盒优化策略,进化算法[1]-[3]和模拟退火[4],分别模拟了自然选择和统计力学中的过程。鉴于对通用优化算法的兴趣,理解算法的性能与运行算法的优化问题之间的关系变得非常重要。在本文中,我们提出了一个形式化的分析,通过解决以下问题有助于这样的理解:考虑到大量的黑箱优化算法和优化问题。
2024-04-16 10:41:40 447
原创 【1997 论文】一类黑盒优化算法的优化研究
许多黑盒优化算法具有足够的灵活性,使它们能够适应遇到的不同情况。这些功能主要有两类:1)用户在可选参数、操作和逻辑结构中决定的选择,以及2)在寻求特定问题的解决方案过程中选择的由算法决定的可选路径。本文讨论了算法设计和操作的过程,旨在将上述看似不同的方面整合在一个统一的框架内。我们将这种算法优化过程与动态过程控制领域联系起来。提出了一种控制一类特定系统的过程优化方法,并将其应用于搜索问题中算法的动态调整。最后给出了该方法在遗传算法中的应用实例。实验结果表明了该方法的适应性和鲁棒性。
2024-04-16 10:16:43 500
原创 【论文】黑箱连续优化问题的算法选择:方法与挑战的综述
已经提出了许多方法,例如算法组合,混合元算法,超元算法,参数调整和控制方法,以规避算法选择挑战[4],[8],[13],[18],[35],[41],[63],[64],[115]。不幸的是,我们对大多数算法的优点和缺点的理论理解有限[93],[96],[119],[111],[145]。因此,为给定的BCOP选择最有效的算法是不平凡的,充其量是繁琐的[147]。在本文中,我们提出了黑箱连续优化领域的算法选择方法的调查。然后,我们讨论了算法选择框架的应用程序和它与算法组合,混合元算法,超算法之间的关系。
2024-04-16 09:50:14 517
原创 混合整数线性规划 (MILP) 算法
混合整数线性规划 (MILP) 问题具有以下要素:线性目标函数 fTx,其中 f 是由常数组成的列向量,x 是由未知数组成的列向量边界和线性约束,但没有非线性约束(有关定义,请参阅编写约束对 x 的某些分量的限制,使其必须具有整数值以数学语言表达,即根据向量 f、lb 和 ub,矩阵 A 和 Aeq,对应的向量 b 和 beq,以及索引集intcon,求解向量 x 使下式成立intlinprog使用此基本策略来求解混合整数线性规划。intlinprog可以在任一阶段完成问题的求解。
2024-04-14 17:24:28 979
原创 【matlab】数学和优化
您可以将这些求解器用于目标或约束函数连续、不连续、随机、不具有导数或包含模拟或黑盒函数的优化问题。该工具箱包含适用于下列各项的求解器:线性规划 (LP)、混合整数线性规划 (MILP)、二次规划 (QP)、二阶锥规划 (SOCP)、非线性规划 (NLP)、约束线性最小二乘、非线性最小二乘和非线性方程。可以通过调整选项来提高解算器的效率,对于适用的解算器,还可以自定义创建、更新和搜索功能。您可以使用该工具箱提供的求解器求连续和离散问题的最优解,执行权衡分析,并将优化方法融入算法和应用中。
2024-04-14 15:54:36 915
原创 【matlab】多目标优化
使用目标达到方法求解多目标问题。这种方法的特点是,您为每个目标选择一个要达到的目标值,求解器会尝试找出同时满足所有目标值的点,找不到时,会尝试找出对各目标不满足程度相对均衡的点。此问题的一个重要特例是最小化目标最大值,它有一个特殊的求解器fminimax。
2024-04-14 15:36:06 894
原创 【Matlab】基于问题求解有约束非线性优化
此示例说明如何通过使用基于问题的方法寻找具有非线性约束的非线性目标函数的最小值。要使用基于问题的方法找到非线性目标函数的最小值,请首先将目标函数编写为文件或匿名函数。此示例的目标函数是尝试不同起点。解位于。等高线图显示这些是仅有的局部最小值。该图还显示在 [–2,3/2] 附近存在一个平稳点,在 [–2,0] 和 [–1,4] 附近存在局部最大值。
2024-04-14 15:11:59 415
原创 【Matlab】推销员行程问题:基于问题
具体的工作原理如下:如果您在一个子环程中有五个点,则您有五条连接这些点的线来创建该子环程。这是正确的约束,因为如果解中存在五条或更多条线,则该解将有子环程(具有 n 个节点和 n 条边的图始终包含一个环路)。决策变量是与每个行程相关联的二元变量,其中每个 1 表示环程中存在的一次行程,每个 0 表示不在环程中的一次行程。创建线性约束,使每个停留点都有两个关联行程,因为每个停留点上必须有一次到达该停留点的行程和一次离开该停留点的行程。中的连通分量来检测子环程,该图是用当前解中的边构建的。
2024-04-14 11:39:32 854
原创 【Matlab】推销员行程问题(旅行商问题):基于求解器
具体的工作原理如下:如果您在一个子环程中有五个点,则您有五条连接这些点的线来创建该子环程。这是正确的约束,因为如果解中存在五条或更多条线,则该解将有子环程(具有 n 个节点和 n 条边的图始终包含一个环路)。决策变量是与每个行程相关联的二元变量,其中每个 1 表示环程中存在的一次行程,每个 0 表示不在环程中的一次行程。,使每个停留点都有两个关联行程,因为每个停留点上必须有一次到达该停留点的行程和一次离开该停留点的行程。然后,您将使用迭代过程来确定子环程,添加约束,并重新运行优化,直到消除子环程。
2024-04-14 11:23:02 701
原创 【linprog】【matlab】求解线性规划问题
x = linprog(f,A,b,Aeq,beq,lb,ub,options) 使用 options 所指定的优化选项执行最小化。使用 optimoptions 可设置这些选项。[x,fval,exitflag,output] = linprog(___) 还返回说明退出条件的值 exitflag,以及包含优化过程信息的结构体 output。[x,fval,exitflag,output,lambda] = linprog(___) 还返回结构体 lambda,其字段包含在解 x 处的拉格朗日乘数。
2024-04-13 22:54:24 211
原创 【绘图】ChiPlot
https://www.chiplot.online/index.html#小驰Coding的个人空间-小驰Coding个人主页-哔哩哔哩视频
2024-04-10 22:23:23 127
原创 【算法】【模型】灵敏度分析,敏感性分析 【Sensitivity analysis】
在优化中,我们常常会将决策变量前面的参数直接取值,如运费的价格、物料的成本等,但事实上价格成本等因素受市场波动很大,因此需要进行稳定性测试:而预测类问题由于对未来情况的不确定性,往往对相关指标进行限定,如死亡率、移民率等,则需要进行对其进行灵敏度的分析。其实质是通过逐一改变相关变量数值的方法来解释关键指标受这些因素变动影响大小的规律。因此,灵敏度分析几乎在所有的运筹学方法以及在对各种方案进行评价时都是很重要的。敏感性分析是指从定量分析的角度研究。通过灵敏度分析还可以分析。的一种不确定分析技术。
2024-04-10 20:41:16 400
原创 【综述文章】【中英双语】【2023年发表】搜索和优化的元启发式算法的详尽回顾:分类,应用和开放的挑战
An exhaustive review of the metaheuristic algorithms for search and optimization: taxonomy, applications, and open challenges搜索和优化的元启发式算法的详尽回顾:分类,应用和开放的挑战Abstract摘要As the world moves towards industrialization, optimization problems beco
2024-04-09 00:09:33 774 1
原创 【train建模】
通常,一条铁路线被分解为多个部分,分为陡峭的上坡、上坡、平坦、下坡或陡峭的下坡。整个行程时间也受预定义限制的约束。尽管现有的遗传算法和神经网络等方法最终可以获得优化的控制序列,但这些方法的缺点是显而易见的。另一方面,启发式和基于规则的实时控制方法能够实现相对较高的计算效率,但其经验性质很难保证最优性。所述,许多因素,包括铁路属性、列车状态、列车属性、编组信息、人为因素以及其他外部因素,都会对能源效率产生影响。由于列车的高维、固有的非线性、各种约束和序列元素的潜在变化,很难得出给定行程中列车的最佳能耗。
2024-04-06 00:24:02 650
原创 一些论文图
直流牵引动力系统通常用于多列车地铁系统。在多列列车运行过程中,系统的不同配电直接影响能耗和供电安全。地铁多列车系统亟需优化运行参数,确保节能安全。本文提出基于核密度估计(KDE)的非支配分选遗传算法II(NSGA-II),用于协同优化系统中的总能耗和最大轨电位。首先,建立多线并联牵引网多列车动态运行仿真模型,实现列车-网络耦合的动态流量计算;其次,制定最大钢轨电位和总能耗的双目标优化模型,实现系统的节能和供电安全;最后,提出基于KDE的NSGA-II算法来处理双目标优化模型。
2024-04-05 17:26:09 654
原创 用于多目标优化的自适应随机分形搜索算法
Gaussian随机分形搜索算法是一种相对高效的算法,在解决多目标优化问题方面具有一定的优势。基于分解的策略对于多目标优化求解是有效的,保证了解的多样性。另一方面,基于分解的策略面临的挑战是在保持算法分布的同时增强算法的收敛性。该文提出一种用于多目标优化(RVSFS)的参考向量引导随机分形搜索算法。在所提算法中,通过参考向量选择每个子空间的领先解,以辅助生成新的解,保证算法的收敛性。提出了一种新的选择准则:长角距离(LAD)。此外,高斯行走和Levy飞行在不同的搜索阶段进行,以平衡勘探和开发能力。
2024-04-05 17:10:11 1021
原创 多目标优化函数定义 Multi-Objective optimization
此外,对于一般优化问题,当使用不同的算法时,返回的帕累托前沿通常是不同的。这些通常评估发现的个体是否属于帕累托阵线,以及帕累托阵线的多样性(即,个体在同一阵线内的距离)。给定一组 x∈Rn 决策向量和一组 f(x)∈Rm 目标函数,我们已经讨论过,我们可以将帕累托最优集定义为: {x∈Rn∣∄x′∈Rn:x′≺x} .: x′≺x} .目标空间 Rm 中的相应图像称为帕累托前沿。尽管如此,在不引入这个概念的情况下,仍然可以以更简单的方式引入超体积概念(它只不过是面积的概括,以及 n 维中的体积概念)。
2024-04-05 14:43:08 585
原创 【多目标优化算法的收敛指标】
这里的困难在于,为了计算 IGD/GD,必须知道问题的真帕累托集和一些(或大多数时间)信息,例如它不可用的信息。为了避免帕累托关系引起的现象,一些研究者指出了其他比较元素的方法(见)或改为非基于帕累托的MOEA,如基于指标和基于聚合的方法(见 8 ), ( 9 )。一般来说,超体积是受欢迎的,因为它在单个标量中既捕获了解与最优集的接近程度,又在某种程度上捕获了解在目标空间中的分布。本文的组织结构如下:在第2节中,我们建立了一般的多目标问题,在第3节中,我们讨论了三个众所周知的指标。2 多目标问题(MOP)
2024-04-05 11:23:08 725
原创 【matlab】sortrows 对矩阵行或表行进行排序
创建矩阵,并基于第一列中的元素按升序对矩阵行进行排序。会基于第三列进行排序,依此类推。第二列中的元素进行排序。
2024-04-04 20:00:38 235
原创 【四区期刊】JOURNAL OF ADVANCED TRANSPORTATION
JAT还发表重点评论文章,研究最新技术,确定新兴趋势,并建议发展领域的未来方向。Journal of Advanced Transportation (JAT) 是一本经过同行评审的运输科学与技术国际期刊,旨在提高运输系统的效率、稳健性和安全性。公路工程、路面工程、铁路工程、货运、供应链管理、地理研究以及车辆设计和机械不属于 JAT 的目标和范围。它发表原创研究文章,记录多式联运网络分析、设计、运营和规划的理论和创新方法。有关我们的开放获取政策的更多信息,请访问我们的版权页面。
2024-04-02 14:41:42 805
原创 【四区期刊】Journal of Public Transportation
CUTR 的大部分研究都是应用实践研究,以支持创新解决方案的实施,旨在帮助那些规划、设计、运营和维护公交和辅助公交系统、通勤援助计划以及支持公共交通的第一英里/最后一英里组件的人。我们力求发表经过专业准备的论文,包括完整的文献综述、解释充分和合理的方法、可靠的数据以及清晰公正的结论。回顾过去的工作和文献;《华尔街日报》将只考虑涉及公共交通的提交,这些公共交通被定义为向公众提供的移动服务,例如基于线路的服务、按需移动和共享车队。《华尔街日报》收录的文章应包括可用于造福乘客、机构、服务提供商和社区的调查结果。
2024-04-01 22:21:35 885
原创 【出错】ModuleNotFoundError: No module named ‘numpy.typing‘
【代码】【出错】ModuleNotFoundError: No module named ‘numpy.typing‘
2024-03-31 20:20:11 202
原创 【综述】【博弈论视角下的多智能体强化学习综述】
(Schmidhuber,,2015),它可以在高维数据中找到解纠缠的表示(Bengio,,2009),这使得软件能够训练自己执行新任务,而不仅仅是依靠程序员来设计手工制作的规则。这个博弈的纳什均衡(NE)是(rush,yield)和(yield,rush)。的进步以AlphaGo系列(Silver et al.,, 2016, 2017, 2018)的显着成功为标志,这是一个自学成才的RL代理,击败了游戏GO的顶级职业玩家,该游戏的搜索空间( 10761 可能的游戏)甚至大于宇宙中的原子数量。
2024-03-31 10:57:17 925
原创 【CollaQ】【通过奖励归因分解实现多智能体协作】
通过奖励归因分解实现多智能体协作Abstract 摘要borative-learningself-termulti-gentewardttribution多智能体强化学习 (MARL) 的最新进展在《雷神之锤 3》和《Dota 2》等游戏中实现了超人的表现。不幸的是,这些技术需要比人类多几个数量级的训练回合,并且可能无法推广到略微改变的环境或新的智能体配置(即临时团队游戏)。在这项工作中,我们提出了协作Q学习(CollaQ),它可以在星际争霸多智能体挑战中实现最先进的性能,并支持临时团队游戏。
2024-03-31 00:32:27 634
原创 【综述】【多智能体系统的深度强化学习:挑战、解决方案和应用回顾】
1][2][3][4][5]Q-learninget al.[6]Fig. 1强化学习是由桑代克在 1898 年对猫的行为进行实验的试错 (TE) 程序引发的[1]。1954年,明斯基[2]设计了第一台名为随机神经模拟强化计算器(SNARC)的神经计算机,它模拟了老鼠的大脑来解决迷宫难题。SNARC 指出 TE 学习提升到一个计算期。近二十年后,Klopf[3]将心理学中的时间差分 (TD) 学习机制整合到 TE 学习的计算模型中。这种集成成功地使 TE 学习成为大型系统的可行方法。
2024-03-30 22:48:56 711
原创 【综述】【合作式多智能体深度强化学习研究进展】
近年来,深度强化学习在多智能体系统中取得了重大进展。在这篇综述文章中,我们重点介绍了多智能体强化学习(MARL)算法的最新方法。特别是,我们重点介绍了五种关于建模和解决合作多智能体强化学习问题的常见方法:(I)独立学习者,(II)完全可观察的批评家,(III)价值函数分解,(IV)共识,以及(IV)学习沟通。首先,我们在相关论文中详细阐述了这些方法、可能的挑战以及如何缓解这些挑战。如果适用,我们会进一步在每个类别的不同论文之间建立联系。接下来,我们将介绍MARL中一些新兴的研究领域以及相关的近期论文。
2024-03-30 21:55:18 930
原创 【综述】【多智能体强化学习:理论和算法的选择性概述】
Multi-Agent Reinforcement Learning: A Selective Overview of Theories and Algorithms多智能体强化学习:理论和算法的选择性概述https://arxiv.org/abs/1911.10635v1Abstract摘要Recent years have witnessed significant advances in reinforcement learning (RL), which ha
2024-03-30 21:16:18 920
原创 【综述】【多智能体深度强化学习的综述与评论】
A survey and critique of multiagent deep reinforcement learning多智能体深度强化学习的综述与评论Abstract摘要Deep reinforcement learning (RL) has achieved outstanding results in recent years. This has led to a dramatic increase in the number of applications and
2024-03-30 20:45:03 354
原创 MAPPO:PPO在合作多智能体博弈中的惊人效果
Abstract 摘要 Proximal Policy Optimization (PPO) is a ubiquitous on-policy reinforcement learning algorithm but is significantly less utilized than off-policy learning algorithms in multi-agent settings. This is often due to the belief that PPO is sig
2024-03-30 19:52:35 916
原创 MARL:【多智能体强化学习的参与者-注意力-批评家】
Actor-Attention-Critic for Multi-Agent Reinforcement Learning多智能体强化学习的参与者-注意力-批评家Abstract摘要Reinforcement learning in multi-agent scenarios is important for real-world applications but presents challenges beyond those seen in single-agent set
2024-03-30 19:27:12 840
原创 IPPO:在《星际争霸》多智能体挑战赛中,你只需要独立学习吗?
最近开发的在集中式训练中使用分散式执行设置的协作式多智能体强化学习方法涉及估计集中式联合价值函数。在本文中,我们证明,尽管存在各种理论缺陷,但独立 PPO (IPPO) 是一种独立学习形式,其中每个智能体只需估计其局部值函数,在流行的多智能体基准测试套件 SMAC 上,其性能与最先进的联合学习方法一样好或更好,几乎没有超参数调整。我们还将IPPO与几种变体进行了比较;结果表明,IPPO的强劲性能可能是由于其对某些形式的环境非平稳性的鲁棒性。1 引言。
2024-03-30 17:32:23 935
三种多目标优化算法pythonNSGA2 MOPSO MODE
2024-03-26
pythonMOPSO多目标粒子群优化算法 多目标优化算法
2024-03-26
matlab【多目标优化算法】MOMPA附代码
2024-03-23
matlab【改进的多种群遗传算法】IMOMPGA【车间调度问题】
2024-03-23
matlab【动态多目标优化】【分时差异化票价动态多目标优化】
2024-03-23
matlab【多目标优化算法】【多目标灰狼优化算法】MOGWO
2024-03-23
matlab【2024年最新多目标优化算法】【多目标RIME算法】MORIME
2024-03-23
matlab【2024年最新多目标优化算法】【多目标指数分布优化器】MOEDO【附代码和论文】
2024-03-23
matlab【最新多目标优化算法】【多目标马群优化算法】MOHOA
2024-03-23
粒子群优化算法PSO的c++的实现
2023-09-22
用于交通流预测的联合时空图卷积网络JSTGCN(python代码)(不带数据集)
2022-06-23
用于故障诊断的胶囊网络(胶囊网络故障诊断).zip
2022-05-23
毕设研究课题:根据轴承的振动序列数据来诊断轴承故障.zip
2022-05-23
自适应交通信号灯控制(增强学习)(Q-learning)(代码 python ).zip
2022-05-19
交通流量预测(python).zip
2022-05-19
MINLP:混合整数非线性规划
2022-05-19
基于混合生物地理学的随机蛙跳算法优化(HBBOS)(matlab)
2022-05-10
用于轨迹优化的 PIPG 算法演示
2022-05-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人