基于动态分配邻域策略的分解多目标进化算法

邻域规模是影响分解多目标进化算法性能的重要因素之一,传统分解多目标进化算法通常对计算复杂度不同的子问题分配相同的邻域规模,算法运行效率受到限制。针对以上问题,提出了一种基于动态分配邻域策略的分解多目标进化算法（MOEA/D-SD）:首先,在收敛性方向和多样性角度上评估个体的进化状态;其次,根据进化状态动态调节邻域大小,为每个子问题分配合适的邻域规模,从而提高算法的收敛性和解集整体质量。将所提算法与MOEA/D和MOEA/D-GR算法在ZDT和DTLZ系列测试函数上进行性能对比。仿真实验结果表明:MOEA/D-SD算法的收敛性能明显提升,算法资源分配更加合理,所求解集整体质量有所提升。     

基于决策变量交互识别的多目标优化算法

当前求解大规模优化问题的关键在于决策变量的有效分组。随着决策变量规模的增大,决策变量间以及决策变量与目标函数间的关系愈加复杂。在总的适应度评价次数给定的条件下,决策变量分组所消耗的适应度评价次数越多,种群进化过程中所剩适应度评价次数越少,从而影响算法收敛能力,导致解集质量下降。为解决以上问题,首先,提出了一种决策变量交互识别策略,该策略能够以较少的适应度评价次数,识别决策变量的潜在交互结构并形成子组件,实现每个子组件间关联性最小;其次,在决策空间中根据个体间角度来划分每个子组件的邻域范围;最后,结合MOEA/D算法框架,提出了MOEA/D-IRG(基于决策变量交互识别的多目标优化)算法分别独立优化各个子组件。仿真实验结果表明:在LSMOP1-4测试问题上,随着决策变量规模的增加,MOEA/D-IRG算法性能明显优于NSGA-II、MOEA/D和S3-CMA-ES算法,所获解集质量更高。     

基于时空解构法对宁波天一广场规划的评价分析研究

选择宁波市天一广场作为研究城市商业中心景区的典型对象,并使用摄像统计法、数码相机记录分析法、人工计数法及问卷调查统计法等方法（称作综合记录技术分析法,CTVM）,对不同时间段内通过的游客活动的大致规律进行了分析研究,发现游客出现的几率大致呈正态分布,并以此为基础建立了数学模型,用以解释步行者的时、空行为规律,从而对城市商业中心景区的景观规划进行评价,为研究城市步行区的景观规划提供依据。     

基于时空解构法对宁波天-广场规划的评价分析研究

选择宁波市天一广场作为研究城市商业中心景区的典型对象,并使用摄像统计法、数码相机记录分析法、人工计数法及问卷调查统计法等方法(称作综合记录技术分析法,CTVM),对不同时间段内通过的游客活动的大致规律进行了分析研究,发现游客出现的几率大致呈正态分布,并以此为基础建立了数学模型,用以解释步行者的时、空行为规律,从而对城市商业中心景区的景观规划进行评价,为研究城市步行区的景观规划提供依据。     

美国食品安全先抓保质期

你吃的东西安全吗?先看看标签上的生产日期吧。在国外,人们往往将保质期作为判断食物是否安全的首要因素。这里,我们介绍了美国在管理食品保质期方面的一些经验,以供学习和借鉴。