多目标优化

一种有向权值的约束多目标进化算法（DW-COMPs） 摘要 ：这篇文章提出了一个新的基于有向权重的约束处理技术来处理约束多目标优化问题（CMOPs）。这篇文章采用了两种权重，分别是：分布在可行区域的可行权重和分布在不可行区域的不可行权重，来指导搜索向有希望的区域进行。为了充分利用不可行个体中的有用信息，这篇文章使用了不可行权重来保持分布较好的不可行个体的多样性。同时，他们能随着演化状态动态改变，以偏好目标函数值更好和约束违反更小的不可行个体。简而言之，这篇文章的工作就是用有向权值的方法将m维的约束多目标优化问题转化为m+1维的无约束多目标优化问题。 引言： 这篇文章的主要描述如下： 1.提出的算法与其他约束多目标进化算法的主要不同在于约束处理技术。提出的算法能够保持种群信息不可行个体的多样性，尽可能多地覆盖获得的非支配解，这有利于进化过程。 2.考虑到提出的算法的特性，它不仅包含一组分布较好的可行非支配解，而且在演化过程中能够保持一组目标函数值较好，约束违反较小的不同的不可行个体，以保证找到的一组分布较好的Pareto最优解的可靠性和稳定性。 3.提出的约束处理技术的有效性和参数的敏感性已被实验验证。 基础概念 约束多目标优化（1）-（3） 这篇文章将一个m维的约束多目标优化问题转化成一个m+1维的无约束多目标优化问题（4） 这篇文章使用的是一个基于分组的适应度函数

当天完成的工作：需求分析，现实中很多产品要用到基于视频的多目标动态识别追踪算法，比如路口摄像头监视车辆，预测车辆运动轨迹；人行道上监测行人之类。视频中识别目标用到了预处理视频中的从第一帧到最后一帧的所有图像，但考虑到到现在在线多目标追踪更具有实用性，我们组决定将算法完全着力于在线多目标追踪，即基于开始的第一帧和发生的下一帧来对进行识别与追踪 第二天的计划：借鉴中国知网上的相关文章，与组员讨论流程中所需要用到的相适应的算法，并尝试理解算法中语句的具体作用 每日小结：完成了解决问题的具体流程，接下来就是去尝试理解各个模块开源代码的含义，以便以后能自己完善或者优化某些算法的过程 来源： https://www.cnblogs.com/chenzhiy/p/11390835.html