基於C#的多目標進化演算法平臺MOEAPlat實現
多目標進化算法系列
基於C#實現，展示的結果包括近似Pareto前沿，具體的Pareto前沿資料，IGD值的變化曲線等，當然這些都是高度可定製化的。
目前只提供了基於遺傳演算法的多目標進化演算法，交叉方式已提供SBX和DE兩種，變異方式為多項式突變。同時，該平臺已實現MOEA/D，NSGA2，NSGA3，MOEA/DD，BiGE，IBEA，MOEA/D-M2M，MOEA/D-NBI，MOEA/D-TPN，NSGA-MPBI，RVEA，SPEA2，SPEA/R，TDEA，VaEA等演算法。
對於多目標優化問題，已實現無約束的多目標優化問題，包括ZDT系列，DTLZ系列，WFG系列，MOP系列，UF系列，以及複雜前沿的多目標優化問題，如F1-F6等問題，而對於約束問題，實現了CTP1，OSY，SRN，TNK等，放在Constrained MOP目錄下。
願景 希望能共同維護，將已實現演算法或自己的演算法實現提交到該專案，同時，對於該平臺不合理的設計以及程式碼也可以修改，特別是對於三維多目標優化問題，其前沿資料還不能視覺化顯示。
相關推薦
基於C#的多目標進化演算法平臺MOEAPlat實現
多目標進化算法系列 基於C#實現，展示的結果包括近似Pareto前沿，具體的Pareto前沿資料，IGD值的變化曲線等，當然這些都是高度可定製化的。 目前只提供了基於遺傳演算法的多目標進化演算法，交叉方式已提供SBX和DE兩種，變異方式為多項式突變。同時，
基於分解的多目標進化演算法（MOEA/D）
目錄 1、MOEA/D的特點 2、 MOEA/D的分解策略 3、MOEA/D的流程 基於分解的多目標進化演算法（Multi-objectiveEvolutionary Algorithm Based on Decomposition, MOEA/D）將多目標優化問題被轉
多目標進化演算法簡介
1、多目標優化的基本概念 多目標優化問題（MOP）可以被表示為：
多目標進化演算法詳述-MOEA/D與NSGA2優劣比較
多目標進化算法系列 NSGA-II由Kalyanmoy Deb等人於2002年在文章"A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II"中提出，是對1994年提出的NSGA的改進，相比於
基於非支配排序的多目標PSO演算法
這一篇是Xue Bing在一區cybernetics發的論文，裡面提出了兩個多目標PSO特徵選擇演算法，一個是NSPSO另一個是CMDPSO。其中NSPSO是參考了NSGA2的框架和思想。下面具體說說NSPSO。 非支配排序 來自NSGA2中的非支配排序 該需要儲存兩個量：
基於擁擠距離與變異支配的多目標PSO演算法
這一篇是Xue Bing在一區cybernetics發的論文，裡面提出了兩個多目標PSO特徵選擇演算法，一個是NSPSO另一個是CMDPSO。其中NSPSO是參考了NSGA2的框架和思想。下面具體說說CMDPSO。 CMDPSO全稱是Crowding，Mutat
多目標優化實驗平臺OTL使用說明書
多目標優化實驗平臺OTL（Copyright (C), Ruimin Shen, a legend） 採用面向物件設計，將優化問題、運算元、演算法以及評價指標封裝成獨立的模板。由於平臺採用C++和Python混合程式設計搭建，對初學者有一定的門檻要求，下面對平臺的使用（如何新增自己演算法並進行試驗）
深度多目標跟蹤演算法綜述
導言 基於深度學習的演算法在影象和視訊識別任務中取得了廣泛的應用和突破性的進展。從影象分類問題到行人重識別問題，深度學習方法相比傳統方法表現出極大的優勢。與行人重識別問題緊密相關的是行人的多目標跟蹤問題。 在多目標跟蹤問題中，演算法需要根據每一幀影象中目標的檢測結果，匹配已有的目標軌跡；對於
Al-多目標優化演算法-博文路徑
參考博文： 多目標進化演算法(MOEA)概述： https://blog.csdn.net/qithon/article/details/72885053 多目標優化問題的演算法及其求解： https://blog.csdn.net/paulfeng20171114/article/
多目標進化優化的Tchebycheff分解方法
On Tchebycheff Decomposition Approaches for Multiobjective Evolutionary Optimization Digital Object Identifier 10.1109/TEVC.2017.2704118
線上銷售預測的多目標進化特徵選擇
#引用 ##LaTex @article{JIMENEZ201775, title = “Multi-objective evolutionary feature selection for online sales forecasting”, journal
[原始碼和文件分享]基於C++的八大排序演算法的實現與比較
1 概述 排序有內部排序和外部排序，內部排序是資料記錄在記憶體中進行排序，而外部排序是因排序的資料很大，一次不能容納全部的排序記錄，在排序過程中需要訪問外存。我們這裡說說八大排序就是內部排序。 當 n 較大，則應採用時間複雜度為 O(nlog2n) 的排序方法：快速排序、堆排序或歸併排
論文 | 基於CNN的目標檢測演算法
近十年來，多目標檢測的進展主要的是基於SIFT和HOG。但當在觀察PASCAL VOC object detection的比賽結果時發現，比賽結果在2010-2012年之間進展緩慢。隨著CNN（卷積神經網路）在ImageNet（影象識別比賽）上大獲成功，本文作者考慮是否能將CNN在影象識別比賽中的結果應用到目
多目標跟蹤演算法評價指標
標準CLEAR-MOT測量，包括 Multi-Object Tracking Accuracy(MOTA) Multi-ObjectTracking Precision (MOTP)這兩個評價標準。 此外，額外引入了若干指標來進行評價： ↑：表示得分越高越好，反之亦然。 Rec
YOLO——基於迴歸的目標檢測演算法
YOLO: You Only Look Once：Unified, Real-Time Object Detection 這篇論文的內容並不多，核心思想也比較簡單，下面相當於是對論文的翻譯！ YOLO是一個可以一次性預測多個Box位置和類別的卷積神經網
基於C#的UDP協議的異步實現
connect sleep ack bind 服務器 endpoint length ddr blog 一、摘要 總結UDP傳輸協議的異步實現。 二、實驗平臺 visual studio 2010 三、實驗實例 服務器端代碼：
c/c++ 多執行緒 利用條件變數實現執行緒安全的佇列
多執行緒 利用條件變數實現執行緒安全的佇列 背景：標準STL庫的佇列queue是執行緒不安全的。 利用條件變數(Condition variable)簡單實現一個執行緒安全的佇列。 程式碼： #include <queue> #include <memory> #include
[原始碼和文件分享]基於C++的庫存管理系統設計與實現
一 需求分析 1.1 總體要求 運用面向物件程式設計知識，利用C++語言設計和實現一個“庫存管理系統設計”，主要完成對商品的銷售、統計和簡單管理。在實現過程中，需利用面向物件程式設計理論的基礎知識，充分體現出C++語言關於類、繼承和封裝等核心概念，每一個類應包含資料成員和成員函式。 1.
[原始碼和文件分享]基於C++的通訊錄系統的設計與實現
一 需求分析 通訊錄系統可幫助使用者管理歸納通訊錄名單，達到新增，刪除，修改，儲存等需求。 二 系統設計 2.1 功能模組設計 通訊錄主要功能為：新增通訊錄成員，修改成員，刪除成員，按需求搜尋檢視成員，儲存為文件。 如下圖所示： 系統各模組的功能具體描述為：
[原始碼和文件分享]基於C++的學生生活系統設計與實現
一 需求分析 需要設計並實現如下場景：在那山的那邊，湖的那邊，有一所學校，學校裡有一幢宿舍樓，宿舍樓有若干層，每一層有若干房間 ，一群學生快樂地生活在這裡。他們每天可做的事情有： 換宿舍，從一個房間搬到另一個房間 退學，亦即搬出宿舍樓 入學，亦即搬入宿舍樓