Xurui_Luo的博客

(Genetic Algorithm, Particle Swarm Optimization, Simulated Annealing, Ant Colony Algorithm, Immune Algorithm,Artificial Fish Swarm Algorithm in Python)https://github.com/guofei9987/scikit-opt

以买电脑为例的通俗解释MOEA/D的通俗解析–1.MOEA：https://blog.youkuaiyun.com/feijingguan_wx/article/details/84989408MOEA/D的通俗解析–2.Pareto解：https://blog.youkuaiyun.com/feijingguan_wx/article/details/84991589MOEA/D的通俗解析–3.Tchebycheff聚合方法：https://blog.youkuaiyun.com/feijingguan_wx/arti.

https://blog.youkuaiyun.com/u012750702/article/details/54563515/

直观理解假设一群蚂蚁从起点往终点走起点到终点存在多条路径（如上图）蚂蚁面临路径选择时，在最初会随机选择。因此刚开始蚂蚁们有很大可能把所有的路径都走一遍蚁群的特性是，走路过程里会留下信息素。因此一定时间内，几乎所有路径都会留下信息素那么在单位时间内，所有路径中，那条最短的路径，留下的信息素会更多，即信息素浓度更高蚂蚁再次面临选择时，会优先考虑信息素浓度高的路径走。这也就是起点到终点的最优(最短)路径核心公式1 路径选择公式(转移公式)Pijk(t)={[τij(t)]α⋅[ηij(t).

import random'''轮盘赌算法思想，就是根据每个选择的对应的概率值，进行归一化操作，再根据概率的大小来进行选择。概率越大被选中的可能越高。这里的概率也可以换成其它的评判标准，比如进化算法中常常出现的适应度指标'''p=[]p.append(0.1)p.append(0.2)p.append(0.3)p.append(0.4)sum=[0,0,0,0]for i in range(100000): temp_prob = random.uniform(

区别就在于变异操作1 差分进化引入的意义遗传算法的变异操作，就是对个体的某个或某段基因进行随机变换，得到新的个体，也就是新的一组解。它的目的是通过生成新的解，来试图找到更优的选择。但是，直观上能想到的是，经过变异之后，新的那段基因，可能是和原先种群中所有的个体中，所对应的所有基因中，有重合的。这就意味着，这次变异是没有意义的变异，并没有产生新的解，还是和原来的有的解一样。造成的后果也不难想到。特别当到了优化的后期，整个种群有可能陷入了局部最优，需要让解能够跑出那个局部最优的圈圈中。但是“无效”的变

公式出自论文Evolution Strategies as a Scalable Alternative to Reinforcement Learning有如下求适应度函数关于参数theta分布的梯度公式其表达含义并不明确，在推导过程中易造成误解，下面是我自己的推导过程。推导过程...