标签：模态 支配 目标 算法 理解 最优 Pareto 个体

一些概念（名词解释）

1.多模态多目标概念：当Pareto Front(PF)上的任意点存在多个Pareto最优解(PS)（或多个局部Pareto最优解）时
2.决策空间中的非支配解称为Pareto集（PS），其在目标空间中的映射向量称为Pareto前沿（PF）
3.常用小生境技术：拥挤、适应度共享、聚类和清除
4.非支配排序方案：首先将种群划分为多个非支配层次，并在决策空间中通过k-means聚类算法将同一层次对应的所有解划分为多个类
5.拥挤距离的作用：主要是维持种群中个体的多样性
6.支配：A优于B，那么A支配B
7.小生境技术(niching techniques)：将每一代个体划分为若干类，每个类中选出若干适应度较大的个体作为一个类的优秀代表组成一个群，再在种群中，以及不同种群中之间，杂交，变异产生新一代个体群。
8.EMOAs：evolutionary multi-objective algorithms进化多目标算法
9.Multi-objective optimization problems (MOPs)多目标优化问题
10.Multi-modal Multi-objective optimization problems(MMOPs)多模态多目标优化问题
11.反世代距离评价指标(Inverted Generational Distance, IGD) ：
它主要通过计算每个在真实 Pareto前沿面上的点(个体)到算法获取的个体集合之间的最小距离和，
来评价算法的收敛性能和分布性能。值越小，算法的综合性能包括收敛性和分布性能越好。

12.Pareto解又称非支配解或不受支配解（nondominated solutions）：在有多个目标时，由于存在目标之间的冲突和无法比较的现象，一个解在某个目标上是最好的，在其他的目标上可能是最差的。这些在改进任何目标函数的同时，必然会削弱至少一个其他目标函数的解称为非支配解或Pareto解。一组目标函数最优解的集合称为Pareto最优集。
13.最优集在空间上形成的曲面称为Pareto前沿面。
14.轮盘赌轮选择：又称比例选择方法．其基本思想是：各个个体被选中的概率与其适应度大小成正比．

标签：模态,支配,目标,算法,理解,最优,Pareto,个体
来源： https://blog.csdn.net/y_bra_ke/article/details/119925353

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。