一种基于Pareto最优概念和神经网络混合策略的多目标进化算法

基于Pareto最优的多目标进化算法得到了广泛地应用,但不适用于目标函数为非解析式的情况。基于神经网络和Pareto最优的联合策略,提出了一种解决此类问题的新方法：首先采用神经网络对历史数据进行学习,建立有效的神经网络模型来代替目标函数解析式;然后将神经网络模型嵌入多目标进化算法,进行进化计算;最后,将本文方法应用于卷烟配方比例掺配问题。实验结果表明,该方法优于传统方法,能较好地解决问题。     

基于Pareto最优概念的多目标进化算法研究

基于Pareto最优概念的多目标进化算法已成为多目标优化问题研究的主流方向。详细介绍了该领域的经典算法,重点阐述了各种算法在种群快速收敛并均匀分布于问题的非劣最优域上所采取的策略,并归纳了算法性能评估中需要进一步研究的几个问题。     

非真实感动画模拟

南于非真实感动画一般不需要精确的三维模型和光照模型,为了让用户方便地生成简单的非真实感动画,于是将定向滤波引入到非真实感动画中,利用一对正交的定向滤波与科片进行卷积运算,产生一对奇偶相位图像,并通过不断改变其相位得到一系列运动的图像,使图像内的物体在实际位置斤不发生改变的情况下,产生视觉上的动画效果,即非真实感动画.