NSGA II代码实现

代码流程图
Code
- Main
- 函数选择
- 种群初始化
- 非支配排序
- 拥挤度计算
- 二进制锦标赛选择算子
- SBX&Poly mutation
- 精英策略选择
- 目标函数
参考链接及更多代码

写在前边：本文在原作者基础上补充了自己的理解，并将代码改成了更适宜本人理解的方式，总体算法没有做较多的改动，更多内容可移步博客，代码下载可移步NSGA-II代码。如果有需要本文代码的可移步下载，也可以在评论区留言邮箱。留言邮箱的话麻烦给本篇博文点一下赞哦，或者关注一下博主也可以，你的鼓励是博主更新的最大动力^_^

代码流程图

Code

Main

clear;
clc;%%----------代码中用到的一些变量------------
% pop：种群规模
% gen：迭代次数
% pc：交叉概率
% pm：变异概率
% yita1：SBX分布参数
% yita2：多项式变异分布参数
% f_num：目标函数个数
% x_num：决策变量个数
% x_min：决策变量取值范围下界
% x_max：决策变量取值范围上界
% F：pareto等级为pareto_rank的集合
% n：支配当前解的解个数
% s：当前解支配的解个数%%----------chromo矩阵的组成-----------
% 前x_num列：决策变量值
% x_num+1:x_num+f_num列：当前决策向量对应的目标函数值
% x_num+f_num+1列：rank值
% x_num+f_num+1+1列：拥挤度值%-------------------------------------------
%% 函数选择
disp('please input a function you want to optimize')
fun = input('from ZDT1—ZDT6、DTLZ1、DTLZ2: ','s');
tic; % 开启计时器
[f_num,x_num,x_min,x_max] = function_select(fun);%% 参数设置
pop=100;%种群大小100
gen=250;%250进化代数  进化代数越高越接近PF
pc=0.9;%交叉概率
pm=1/x_num;%变异概率，x-num为决策变量个数
yita1=20;%SBX分布参数
yita2=20;%多项式变异分布参数%% 种群初始化
chromo=initialize(pop,f_num,x_num,x_min,x_max,fun);%该函数中调用了目标函数表达式
%%初始种群的非支配排序
[F1,chromo_non]=non_domination_sort(pop,chromo,f_num,x_num);
%F为pareto等级为pareto_rank的集合，%p为每个个体p的集合(包括每个个体p的被支配个数n和该个体支配的解的集合s),chromo最后一列加入个体的等级
%%计算拥挤度
chromo=crowding_distance_sort(F1,chromo_non,f_num,x_num);
i=1;%% 循环开始
for i=1:gen%%二进制竞赛选择(每次取pop/2，所以选两次，保证选择后的种群数量为100)chromo_parent1 = tournament_selection(chromo); %50chromo_parent2 = tournament_selection(chromo); %50chromo_parent = [chromo_parent1;chromo_parent2]; %100
%   chromo_parent = tournament_selection(chromo);
%   只选一次也能满足后续操作，但是没有选两次的效果好%%模拟二进制交叉与多项式变异chromo_offspring=cross_mutation(chromo_parent,f_num,x_num,x_min,x_max,pc,pm,yita1,yita2,fun );%%精英保留策略%将父代和子代合并[pop_parent,~]=size(chromo);[pop_offspring,~]=size(chromo_offspring);combine_chromo(1:pop_parent,1:(f_num+x_num))=chromo(:,1:(f_num+x_num));combine_chromo((pop_parent+1):(pop_parent+pop_offspring),1:(f_num+x_num))=chromo_offspring(:,1:(f_num+x_num));%快速非支配排序[pop2,~]=size(combine_chromo);[F2,combine_chromo1]=non_domination_sort(pop2,combine_chromo,f_num,x_num);%计算拥挤度进行排序combine_chromo2=crowding_distance_sort(F2,combine_chromo1,f_num,x_num);%精英保留产生下一代种群chromo=elitism(pop,combine_chromo2,f_num,x_num);if mod(i,10) == 0fprintf('%d gen has completed!\n',i);end
end
toc;%读取计时器中的数
aaa=toc;%输出计时时间hold on
if(f_num==2)%f-num为目标函数个数plot(chromo(:,x_num+1),chromo(:,x_num+2),'r*');
end
if(f_num==3)plot3(chromo(:,x_num+1),chromo(:,x_num+2),chromo(:,x_num+2),'r*');
end

函数选择

function [f_num,x_num,x_min,x_max] = function_select(fun)
%% 函数选择
%定义 决策变量取值范围，决策变量个数，目标函数个数
%导入 已知PF最前沿
%--------------------ZDT1--------------------
if strcmp(fun,'ZDT1') %strcmp：字符串之间比较f_num=2;%目标函数个数x_num=30;%决策变量个数x_min=zeros(1,x_num);%决策变量的最小值x_max=ones(1,x_num);%决策变量的最大值load('ZDT1.txt');%导入正确的前端解plot(ZDT1(:,1),ZDT1(:,2),'g*');PP=ZDT1;
end
%--------------------ZDT2--------------------
if strcmp(fun,'ZDT2')f_num=2;%目标函数个数x_num=30;%决策变量个数x_min=zeros(1,x_num);%决策变量的最小值x_max=ones(1,x_num);%决策变量的最大值load('ZDT2.txt');%导入正确的前端解plot(ZDT2(:,1),ZDT2(:,2),'g*');PP=ZDT2;
end
%--------------------ZDT3--------------------
if strcmp(fun,'ZDT3')f_num=2;%目标函数个数x_num=30;%决策变量个数x_min=zeros(1,x_num);%决策变量的最小值x_max=ones(1,x_num);%决策变量的最大值load('ZDT3.txt');%导入正确的前端解plot(ZDT3(:,1),ZDT3(:,2),'g*');PP=ZDT3;
end
%--------------------ZDT4--------------------
if strcmp(fun,'ZDT4')f_num=2;%目标函数个数x_num=10;%决策变量个数x_min=[0,-5,-5,-5,-5,-5,-5,-5,-5,-5];%决策变量的最小值x_max=[1,5,5,5,5,5,5,5,5,5];%决策变量的最大值load('ZDT4.txt');%导入正确的前端解plot(ZDT4(:,1),ZDT4(:,2),'g*');PP=ZDT4;
end
%--------------------ZDT6--------------------
if strcmp(fun,'ZDT6')f_num=2;%目标函数个数x_num=10;%决策变量个数x_min=zeros(1,x_num);%决策变量的最小值x_max=ones(1,x_num);%决策变量的最大值load('ZDT6.txt');%导入正确的前端解plot(ZDT6(:,1),ZDT6(:,2),'g*');PP=ZDT6;
end
%--------------------------------------------
%--------------------DTLZ1--------------------
if strcmp(fun,'DTLZ1')f_num=3;%目标函数个数x_num=10;%决策变量个数x_min=zeros(1,x_num);%决策变量的最小值x_max=ones(1,x_num);%决策变量的最大值load('DTLZ1.txt');%导入正确的前端解
%     plot3(DTLZ1(:,1),DTLZ1(:,2),DTLZ1(:,3),'g*');PP=DTLZ1;
end
%--------------------------------------------
%--------------------DTLZ2--------------------
if strcmp(fun,'DTLZ2')f_num=3;%目标函数个数x_num=10;%决策变量个数x_min=zeros(1,x_num);%决策变量的最小值x_max=ones(1,x_num);%决策变量的最大值load('DTLZ2.txt');%导入正确的前端解
%     plot3(DTLZ2(:,1),DTLZ2(:,2),DTLZ2(:,3),'g*');PP=DTLZ2;
endend

种群初始化

function chromo = initialize( pop,f_num,x_num,x_min,x_max,fun )
%   种群初始化
for i=1:popfor j=1:x_numchromo(i,j)=x_min(j)+(x_max(j)-x_min(j))*rand(1);end%计算决策向量对应的目标向量并将其放在决策向量后边chromo(i,x_num+1:x_num+f_num) = object_fun(chromo(i,:),f_num,x_num,fun);
end

非支配排序

function [F,chromo] = non_domination_sort( pop,chromo,f_num,x_num )
%% 初始化
pareto_rank=1; %初始pareto等级为1
F(pareto_rank).ss=[];%pareto等级为pareto_rank的集合
p=[];%每个个体p的集合
%% 计算所有个体的n、s集，并选出F1中的个体（n=0）
for i=1:pop%%%计算出种群中每个个体p的被支配个数n和该个体支配的解的集合sp(i).n=0;%被支配个体数目n初始化为0p(i).s=[];%支配解的集合sfor j=1:popless=0;%y'的目标函数值小于个体的目标函数值数目equal=0;%y'的目标函数值等于个体的目标函数值数目greater=0;%y'的目标函数值大于个体的目标函数值数目for k=1:f_numif(chromo(i,x_num+k)<chromo(j,x_num+k))less=less+1;elseif(chromo(i,x_num+k)==chromo(j,x_num+k))equal=equal+1;elsegreater=greater+1;endendif(less==0 && equal~=f_num)p(i).n=p(i).n+1;%被支配个体数目n+1elseif(greater==0 && equal~=f_num)p(i).s=[p(i).s j];%若less和greater都不等于0，证明两者互不支配 endend%%%判断当前个体n是否为0，若为0，则将其放入集合F(1)中if(p(i).n==0)chromo(i,f_num+x_num+1)=1;%在决策向量+目标向量后存储个体的等级信息 F(pareto_rank).ss=[F(pareto_rank).ss i];end
end
%% 在F1层的基础上，继续进行分层while ~isempty(F(pareto_rank).ss) %直到某层个体数为0就可以结束分层temp=[];for i=1:length(F(pareto_rank).ss)if ~isempty(p(F(pareto_rank).ss(i)).s)for j=1:length(p(F(pareto_rank).ss(i)).s)%n=0个体对应的s集中所有的n-1p(p(F(pareto_rank).ss(i)).s(j)).n=p(p(F(pareto_rank).ss(i)).s(j)).n - 1;if p(p(F(pareto_rank).ss(i)).s(j)).n==0 %若s集中的个体n-1等于0，则放到下一层上chromo(p(F(pareto_rank).ss(i)).s(j),f_num+x_num+1)=pareto_rank+1;%储存个体的等级信息temp=[temp p(F(pareto_rank).ss(i)).s(j)]; %把放到下一层的个体单独存放在temp中endendendendpareto_rank=pareto_rank+1;F(pareto_rank).ss=temp; %下一次非支配排序基于下一层个体
end

拥挤度计算

function chromo = crowding_distance_sort( F,chromo,f_num,x_num )
%% 计算拥挤度
%% 按照pareto等级对种群中的个体进行排序，便于逐层求解拥挤度[~,index]=sort(chromo(:,f_num+x_num+1));
[~,mm1]=size(chromo);
temp=zeros(length(index),mm1);
for i=1:length(index)%=poptemp(i,:)=chromo(index(i),:);%按照pareto等级排序后种群
end%% 对于每个等级的个体开始计算拥挤度
current_index = 0;
for pareto_rank=1:(length(F)-1)
%计算F的循环时多了一次空（直到s集中n-1=0的个体数为0时才跳出循环），所以减掉%%%当前等级拥挤度计算初始化nd=[];nd(:,1)=zeros(length(F(pareto_rank).ss),1);%y=[];%储存当前处理的等级的个体[~,mm2]=size(temp);y=zeros(length(F(pareto_rank).ss),mm2);%储存当前处理的等级的个体previous_index=current_index + 1;for i=1:length(F(pareto_rank).ss)y(i,:)=temp(current_index + i,:);endcurrent_index=current_index + i;%%%针对每一个目标函数fm计算相邻两解的函数差值
%根据函数值排序，边界点差值直接设为inf，计算中间点差值后附在决策向量+目标向量+rank后for i=1:f_num%%根据该目标函数值对该等级的个体进行排序[~,index_objective]=sort(y(:,x_num+i));%objective_sort=[];%通过目标函数排序后的个体[~,mm3]=size(y);objective_sort=zeros(length(index_objective),mm3);%通过目标函数排序后的个体for j=1:length(index_objective)objective_sort(j,:)=y(index_objective(j),:);end%%记fmax为最大值，fmin为最小值fmin=objective_sort(1,x_num+i);fmax=objective_sort(length(index_objective),x_num+i);%%对排序后的两个边界拥挤度设为1d和nd设为无穷y(index_objective(1),f_num+x_num+1+i)=Inf;y(index_objective(length(index_objective)),f_num+x_num+1+i)=Inf;%%计算nd=nd+(fm(i+1)-fm(i-1))/(fmax-fmin)for j=2:(length(index_objective)-1)pre_f=objective_sort(j-1,x_num+i);next_f=objective_sort(j+1,x_num+i);if (fmax-fmin==0)y(index_objective(j),f_num+x_num+1+i)=Inf;elsey(index_objective(j),f_num+x_num+1+i)=(next_f-pre_f)/(fmax-fmin);endendend%%%计算拥挤度
%多个目标函数相邻解差值求和，计算拥挤度，并将最终拥挤度附在决策向量+目标向量+rank后for i=1:f_numnd(:,1)=nd(:,1)+y(:,f_num+x_num+1+i);end%第2列保存拥挤度，其他的覆盖掉y(:,f_num+x_num+2)=nd;y=y(:,1:(f_num+x_num+2));temp_two(previous_index:current_index,:) = y; %将当前等级计算出的y储存到temp_two中
end
chromo=temp_two;
end

二进制锦标赛选择算子

function chromo_parent = tournament_selection( chromo )
%% 二进制竞标赛选择
[pop, index] = size(chromo);
touranment=2;  %（两两抉择）
a=round(pop/2);
%初始化
chromo_candidate=zeros(touranment,1);
chromo_rank=zeros(touranment,1);
chromo_distance=zeros(touranment,1);
chromo_parent=zeros(a,index);
% 获取等级的索引
rank = index - 1;
% 获得拥挤度的索引
distance = index;
for i=1:afor j=1:touranmentchromo_candidate(j)=round(pop*rand(1));%随机产生候选者if(chromo_candidate(j)==0)%索引从1开始chromo_candidate(j)=1;endif(j>1)while (~isempty(find(chromo_candidate(1:j-1)==chromo_candidate(j))))chromo_candidate(j)=round(pop*rand(1));if(chromo_candidate(j)==0)%索引从1开始chromo_candidate(j)=1;endendendendfor j=1:touranmentchromo_rank(j)=chromo(chromo_candidate(j),rank);chromo_distance(j)=chromo(chromo_candidate(j),distance);end%取出低等级的个体索引minchromo_candidate=find(chromo_rank==min(chromo_rank));%多个索引按拥挤度排序if (length(minchromo_candidate)~=1)maxchromo_candidate=find(chromo_distance(minchromo_candidate)==max(chromo_distance(minchromo_candidate)));if(length(maxchromo_candidate)~=1)maxchromo_candidate = maxchromo_candidate(1);endchromo_parent(i,:)=chromo(chromo_candidate(minchromo_candidate(maxchromo_candidate)),:);elsechromo_parent(i,:)=chromo(chromo_candidate(minchromo_candidate(1)),:);end
end
end

SBX&Poly mutation

function chromo_offspring = cross_mutation( chromo_parent,f_num,x_num,x_min,x_max,pc,pm,yita1,yita2,fun )
%模拟二进制交叉与多项式变异
[pop,~]=size(chromo_parent);
suoyin=1;
for i=1:pop%%%模拟二进制交叉%初始化子代种群%随机选取两个父代个体parent_1=round(pop*rand(1));if (parent_1<1)parent_1=1;endparent_2=round(pop*rand(1));if (parent_2<1)parent_2=1;end%确定两个父代个体不是同一个while isequal(chromo_parent(parent_1,:),chromo_parent(parent_2,:))parent_2=round(pop*rand(1));if(parent_2<1)parent_2=1;endendchromo_parent_1=chromo_parent(parent_1,:);chromo_parent_2=chromo_parent(parent_2,:);off_1=chromo_parent_1;%将子代初始化为chromo_parent1off_2=chromo_parent_1;if(rand(1)<pc)%进行模拟二进制交叉u1=zeros(1,x_num);gama=zeros(1,x_num);for j=1:x_numu1(j)=rand(1);if u1(j)<0.5gama(j)=(2*u1(j))^(1/(yita1+1));elsegama(j)=(1/(2*(1-u1(j))))^(1/(yita1+1));endoff_1(j)=0.5*((1+gama(j))*chromo_parent_1(j)+(1-gama(j))*chromo_parent_2(j));off_2(j)=0.5*((1-gama(j))*chromo_parent_1(j)+(1+gama(j))*chromo_parent_2(j));%使子代在定义域内if(off_1(j)>x_max(j))off_1(j)=x_max(j);elseif(off_1(j)<x_min(j))off_1(j)=x_min(j);endif(off_2(j)>x_max(j))off_2(j)=x_max(j);elseif(off_2(j)<x_min(j))off_2(j)=x_min(j);endend%计算子代个体的目标函数值off_1(1,(x_num+1):(x_num+f_num))=object_fun(off_1,f_num,x_num,fun);off_2(1,(x_num+1):(x_num+f_num))=object_fun(off_2,f_num,x_num,fun);end%%%多项式变异if(rand(1)<pm)u2=zeros(1,x_num);delta=zeros(1,x_num);for j=1:x_numu2(j)=rand(1);if(u2(j)<0.5)delta(j)=(2*u2(j))^(1/(yita2+1))-1;elsedelta(j)=1-(2*(1-u2(j)))^(1/(yita2+1));endoff_1(j)=off_1(j)+delta(j);%使子代在定义域内if(off_1(j)>x_max(j))off_1(j)=x_max(j);elseif(off_1(j)<x_min(j))off_1(j)=x_min(j);endend%计算子代个体的目标函数值off_1(1,(x_num+1):(x_num+f_num))=object_fun(off_1,f_num,x_num,fun);endif(rand(1)<pm)u2=zeros(1,x_num);delta=zeros(1,x_num);for j=1:x_numu2(j)=rand(1);if(u2(j)<0.5)delta(j)=(2*u2(j))^(1/(yita2+1))-1;elsedelta(j)=1-(2*(1-u2(j)))^(1/(yita2+1));endoff_2(j)=off_2(j)+delta(j);%使子代在定义域内if(off_2(j)>x_max(j))off_2(j)=x_max(j);elseif(off_2(j)<x_min(j))off_2(j)=x_min(j);endend%计算子代个体的目标函数值off_2(1,(x_num+1):(x_num+f_num))=object_fun(off_2,f_num,x_num,fun);endoff(suoyin,:)=off_1;off(suoyin+1,:)=off_2;suoyin=suoyin+2;
end
chromo_offspring=off;
end

精英策略选择

function chromo = elitism( pop,combine_chromo2,f_num,x_num )
%% 精英保留策略
%总体思路——依照文中定义的偏序关系：
%先按照Pareto等级选取子代，最后在同一等级中按照拥挤度选取子代
%% 根据pareto等级从高到低进行排序
[pop2,temp]=size(combine_chromo2);
chromo_rank=zeros(pop2,temp);
chromo=zeros(pop,(f_num+x_num+2)); %初始化存放排序后种群的矩阵
[~,index_rank]=sort(combine_chromo2(:,f_num+x_num+1));
for i=1:pop2chromo_rank(i,:)=combine_chromo2(index_rank(i),:);
end
%求出最高的pareto等级
max_rank=max(combine_chromo2(:,f_num+x_num+1));
%% 形成子代
%根据排序后的顺序，将等级相同的种群整个放入父代种群中，直到某一层不能全部放下为止
prev_index=0;
for i=1:max_rank%寻找当前等级i个体里的最大索引current_index=max(find(chromo_rank(:,(f_num+x_num+1))==i));%不能放下为止if(current_index>pop)%剩余群体数remain_pop=pop-prev_index;%等级为i的个体temp=chromo_rank(((prev_index+1):current_index),:);%根据拥挤度从大到小排序[~,index_crowd]=sort(temp(:,(f_num+x_num+2)),'descend');%填满父代for j=1:remain_popchromo(prev_index+j,:)=temp(index_crowd(j),:);endreturn;elseif(current_index<pop)% 将所有等级为i的个体直接放入父代种群chromo(((prev_index+1):current_index),:)=chromo_rank(((prev_index+1):current_index),:);else% 将所有等级为i的个体直接放入父代种群chromo(((prev_index+1):current_index),:)=chromo_rank(((prev_index+1):current_index),:);return;endprev_index = current_index;
end
end

目标函数

function f = object_fun( x,f_num,x_num,fun )
%   测试函数的设置
% --------------------ZDT1--------------------
if strcmp(fun,'ZDT1')f=[];f(1)=x(1);sum=0;for i=2:x_numsum = sum+x(i);endg=1+9*(sum/(x_num-1));f(2)=g*(1-(f(1)/g)^0.5);
end
% --------------------ZDT2--------------------
if strcmp(fun,'ZDT2')f=[];f(1)=x(1);sum=0;for i=2:x_numsum = sum+x(i);endg=1+9*(sum/(x_num-1));f(2)=g*(1-(f(1)/g)^2);
end
% --------------------ZDT3--------------------
if strcmp(fun,'ZDT3')f=[];f(1)=x(1);sum=0;for i=2:x_numsum = sum+x(i);endg=1+9*(sum/(x_num-1));f(2)=g*(1-(f(1)/g)^0.5-(f(1)/g)*sin(10*pi*f(1)));
end
% --------------------ZDT4--------------------
if strcmp(fun,'ZDT4')f=[];f(1)=x(1);sum=0;for i=2:x_numsum = sum+(x(i)^2-10*cos(4*pi*x(i)));endg=1+9*10+sum;f(2)=g*(1-(f(1)/g)^0.5);
end
% --------------------ZDT6--------------------
if strcmp(fun,'ZDT6')f=[];f(1)=1-(exp(-4*x(1)))*((sin(6*pi*x(1)))^6);sum=0;for i=2:x_numsum = sum+x(i);endg=1+9*((sum/(x_num-1))^0.25);f(2)=g*(1-(f(1)/g)^2);
end
% --------------------------------------------
% --------------------DTLZ1--------------------
if strcmp(fun,'DTLZ1')f=[];sum=0;for i=3:x_numsum = sum+((x(i)-0.5)^2-cos(20*pi*(x(i)-0.5)));endg=100*(x_num-2)+100*sum;f(1)=(1+g)*x(1)*x(2);f(2)=(1+g)*x(1)*(1-x(2));f(3)=(1+g)*(1-x(1));
end
% --------------------------------------------
% --------------------DTLZ2--------------------
if strcmp(fun,'DTLZ2')f=[];sum=0;for i=3:x_numsum = sum+(x(i))^2;endg=sum;f(1)=(1+g)*cos(x(1)*pi*0.5)*cos(x(2)*pi*0.5);f(2)=(1+g)*cos(x(1)*pi*0.5)*sin(x(2)*pi*0.5);f(3)=(1+g)*sin(x(1)*pi*0.5);
end
% --------------------------------------------
end

参考链接及更多代码

本文参考代码：

相应博客：多目标优化算法（一）NSGA-Ⅱ（NSGA2）;
源代码下载链接：NSGA-II代码：算法贴合原文，优化效果适中，运行时间有些长。改变迭代次数、分布参数等可能会获得更好的结果。可以完成对ZDT1~ZDT4、ZDT6、DTLZ1、DTLZ2六个函数的优化。源代码扩充了性能评价指标（收敛性）的计算及保存等操作。

更多优秀代码：

Matlab编写多目标优化算法NSGA-Ⅱ的详解以及论文详解_针对ZDT1：在保持与其他算法相同迭代次数的前提下，运行速度最快且优化结果最好。代码使用的是改进的deductive sort，随机选择和正态分布交叉NDX，与原文不一致。 结合本文参考代码改动后也可以完成对其他测试函数的优化，运行速度快且很好贴合PF。
NSGA2算法MATLAB实现（能够自定义优化函数）：算法基本贴合原文。个人感觉交叉变异应该是针对同一父代操作的，代码中交叉选择了两个父代进行，变异又选择了第三个父代。代码也是以ZDT1举例的，改动代码也可以适应其他函数，但是结果不太贴合PF；

进化计算（六）——NSGA II代码实现（Matlab）相关推荐

进化计算（四）——NSGA/NSGA II算法详解
NSGA/NSGA II算法理论学习 -A fast and elitist multiobjective genetic algorithm NSGA-II阅读笔记引言概述为什么引入NSGA ...
[系统安全] 四十六.Powershell恶意代码检测系列 (1)Powershell基础入门及管道和变量的用法
您可能之前看到过我写的类似文章,为什么还要重复撰写呢?只是想更好地帮助初学者了解病毒逆向分析和系统安全,更加成体系且不破坏之前的系列.因此,我重新开设了这个专栏,准备系统整理和深入学习系统安全.逆向分 ...
多类线性分类器算法原理及代码实现 MATLAB
多类线性分类器算法原理及代码实现 MATLAB 一.算法原理下面举例说明为何蓝圈部分在case2中是确定的而在case1中不确定: 二.代码实现 1.HK函数 function [] = HK(w1 ...
fortran转换 matlab代码,将Fortran77代码转换为Matlab代码以查找特征值/向量
我将Fortran 77中的书面代码转换为Matlab代码.该函数使用QL算法计算矩阵的特征值和特征向量.由于某些原因,我不能在matlab中使用eig函数的结果.这种方法得到的特征值与eig函数得到 ...
【联合仿真】Adams六关节机械臂与Matlab/Simulink的联合仿真(上)
Adams六关节机械臂与Matlab/Simulink的联合仿真(上) 前言:一直对于六关节机械臂与simulink的联合仿真很感兴趣,但网上关于实际模型的机械臂联合仿真的资料很少,更别说六关节的联合 ...
【联合仿真】Adams六关节机械臂与Matlab/Simulink的联合仿真(下)
Adams六关节机械臂与Matlab/Simulink的联合仿真(下) 接上文,上文讲到了建立好变量与测量单元之间的关联了,下面完成matlab/simulink的对接接口以及模型搭建第一步. ad ...
六则糟糕代码的优化方案分享
‍‍ 微信搜索逆锋起笔关注后回复编程pdf 领取编程大佬们所推荐的 23 种编程资料! 来自:掘金,作者:thyme 链接:https://juejin.cn/post/690636663374128 ...
坐标变换学习笔记—代码篇Matlab
坐标变换学习笔记-代码篇Matlab 四元数 →\to→ 旋转矩阵 quat2dcm quat2rotm 四元数 →\to→ 欧拉角 quat2angle quat2eul 旋转矩阵 →\to→ 四元 ...
六则糟糕代码的优化方案
点击下方"前端开发博客",选择"设为星标" 第一时间关注技术干货! 这里分享代码 review 中发现的六则糟糕代码的案例,并进行分析: 案例一变量.属性和函 ...

进化计算（六）——NSGA II代码实现（Matlab）

NSGA II代码实现

代码流程图

Code

Main

函数选择

种群初始化

非支配排序

拥挤度计算

二进制锦标赛选择算子

SBX&Poly mutation

精英策略选择

目标函数

参考链接及更多代码

进化计算（六）——NSGA II代码实现（Matlab）相关推荐

最新文章

热门文章