- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
多目标优化算法（一）NSGA-Ⅱ（NSGA2）
多目标优化算法（一）NSGA-Ⅱ(NSGA2) 注：没有想到这篇博客竟然有很多人查看，这是我去年写的算法，里面难免会有一些错误，大家可以看看评论区，这里的matlab代码写的不太好，是以C语言思维写的， 算法简介 NSGA-Ⅱ算法，即带有精英保留策略的快速非支配多目标优化算法，是一种基于Pareto最优解的多目标优化算法。 1.1 Pareto支配关系以及Pareto等级 Pareto支配关系：对于最小化多目标优化问题，对于n个目标分量 f i ( x ) , i = 1… n f_i(x), i=1…n fi(x), 以下为选取的5个非凸非均匀的多目标函数的运行结果如图4到图8所示。 ZDT6 pareto最优解对比图（绿色为理论值，红色为实验值） 从结果中可以看出，除ZDT4以外，找到的解几乎全部是pareto前端上的点，并且解在目标空间上分布十分均匀，该算法对于非凸非均匀的多目标函数最优解的寻找还是十分有效的
15.6K44编辑于 2022-07-21 - 来自专栏图灵技术域
NSGA2算法特征选择MATLAB实现（多目标）
利用nsga2进行进行特征选择其主要思想是：将子集的选择看作是一个搜索寻优问题（wrapper方法），生成不同的组合，对组合进行评价，再与其他的组合进行比较。 nsga2是一个多目标优化算法。 具体的nsga2通用算法请看：https://www.omegaxyz.com/2018/01/22/new_nsga2/ 具体的特征选择代码在上述代码的基础上改了两个①主函数②评价函数，增加了一个数据分成训练集和测试集的函数 ~=2&Indices~=3); test_F = newdataMat(site2,:); test_L =Parkinson_label(site2); save train_F train_F; plot(chromosome(:,V + 1),chromosome(:,V + 2),'*'); xlabel('f_1'); ylabel('f_2'); title('Pareto
1.2K32发布于 2021-05-21 - 来自专栏全栈程序员必看
nsga2 matlab,NSGA2算法特征选择MATLAB实现（多目标）
nsga2是一个多目标优化算法。 ~=2&Indices~=3); test_F = newdataMat(site2,:); test_L =Parkinson_label(site2); save train_F train_F; ~=2&Indices~=3); test_F=newdataMat(site2,:); test_L=Parkinson_label(site2); savetrain_Ftrain_F; savetrain_Ltrain_L plot(chromosome(:,V + 1),chromosome(:,V + 2),’*’); xlabel(‘f_1’); ylabel(‘f_2’); title(‘Pareto Optimal plot(chromosome(:,V+1),chromosome(:,V+2),’*’); xlabel(‘f_1’);ylabel(‘f_2’); title(‘Pareto Optimal Front
93020编辑于 2022-08-31 - 来自专栏联远智维
多目标优化
多目标优化的特征为：一般情况下，多目标优化问题的各个子目标之间是相互矛盾的（一个子目标的改善可能会引起另几个子目标性能的降低），很难使得多个子目标同时达到最优值，只能在多个目标之间进行折中处理，使得各个子目标都尽可能达到最优解 ，从数学角度可以做如下描述： No.1 多目标优化 多目标优化与单目标优化具有本质区别，主要体现于多目标优化问题的解并非唯一，而是存在一组由众多Pareto最优解组成的集合，具体如下图中蓝色曲线所示 其中，wi为对应目标函数的权重值，该种方法把多目标优化问题转换为单目标优化问题，简化了问题的难度，然而该方法具有相应的局限性，具体为： 1、权值难以确定； 2、各个目标之间量纲的不统一，可能会造成单目标优化问题鲁棒性差 No.2 程序代码 NSGA-Ⅱ是目前流行的多目标遗传算法之一，它降低了非劣排序遗传算法的复杂性，具有运行速度快，解集的收敛性好的优点，成为其他多目标优化算法性能的基准。 for i = 1 : gen pool = round(pop/2); tour = 2; parent_chromosome = tournament_selection
1.6K20编辑于 2022-01-20 - 来自专栏全栈程序员必看
基于nsga2的多目标柔性车间调度问题matlab
(parent_2,1:M-V-2); m_parent_2=m_parent_chromosome(parent_2,:); if mod(i,2)==1%进行工序交叉 c2_p=zeros(1,M-V-2); c2_m=zeros(1,M-V-2); while size(J1,1)==0&&size(J1,2)==0 index_2_2=find(c2_p==0); index_2_1=find(c1_p~=0); for j=1:size(index_1_1,2) j)); end for j=1:size(index_2_2,2) c2_p(index_2_2(j))=p_parent _1(index_2_1(j)); c2_m(index_2_2(j))=m_parent_1(index_2_1(j)); end
89842编辑于 2022-08-26 - 来自专栏null的专栏
多目标建模总结
在底层共享表示的优化中，以MMoE（Multi-gate Mixture-of-Experts）[1]和PLE（Progressive Layered Extraction）[2]两种网络结构较为常用。 在多目标的建模过程中，如果不同的学习任务之间较为相关时，多个任务之间可以共享一部分的信息，这样最终能够提升整体的模型学习效果。 2. 多目标建模的常用方法 2.1.多模型的融合 多模型的融合是指根据不同的任务单独训练不同的模型，最终根据最终的目标将各模型的结果相加或者相乘后进行融合排序。 底层共享表示的优化 在底层共享表示优化中，目前业界主流的多目标建模的网络结构是MMoE[1]和PLE[2]两种，其中MMoE的网络结构如下图c所示： 在上图a中是Shared-Bottom model 总结 多目标建模已经成为当前推荐系统中的标配，在多目标建模过程中，需要考虑多个目标之间的相互关系，以选择合适的多目标建模方法，同时，在多目标的损失函数的设计上，也存在很多的优化方案，需要根据具体的应用场景选择合适的损失函数
1.4K20编辑于 2023-02-02 - 来自专栏智能算法
多目标模板匹配
这里贴张目标图像，就是需要匹配的图像，先从简单到复杂讲解，对单目标匹配完才能进行多目标匹配嘛，如下图所示为目标图像，由于太大了，缩放下，模板图像其实是从红色框框里抠出来的。 ? 接下来说说多目标模板匹配吧。 三. 多目标模板匹配 有了之前的基础，这里要说说多目标模板匹配，目标图像中很有可能出现需要匹配的目标处于旋转一定角度的，就是说，目标与模板的摆放角度并不相同，如下图所示： ?
2.4K50发布于 2018-04-02 - 来自专栏我爱计算机视觉
PyTorch 多目标跟踪
今天介绍一份PyTorch实现的多目标跟踪的开源库，在Github 上搜索 MOT tracking ，该份代码排名第一位，目前已经有505颗星。 该代码实现的是广为人知的deep sort多目标跟踪算法，算法原作者的实现是基于TensorFlow的，作者用PyTorch实现了RE-ID（目标重识别）模块，并将目标检测模型从Faster RCNN
1.3K20发布于 2019-12-31 - 来自专栏计算机视觉战队
多目标检测：基于YoloV4优化的多目标检测
一、前言 为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种基于YOLOv4卷积神经网络的多目标检测方法。 多目标检测作为目标检测领域的一个重要研究方向，一直受到研究人员的广泛关注。目前，在智能交通、智能辅助驾驶和视频监控等领域已经产生了深入的研究。 CSPDarknet模块组成的主干网络，由卷积层和残差模块叠加，有效防止在网络层数加深的基础上梯度消失或爆炸，获得更丰富的语义信息特征图，并且在主干网络中，特征图维度的减少是通过卷积层的5倍下采样实现的，其步长为2， 内核大小为3；对网络neck处进行2次上采样，浅层采用PAN+SPP模型结构实现浅层特征与高层语义特征的融合以及多尺度感受野的融合，充分利用了浅层网络，改善小目标特征丢失的问题；检测头采用回归+分类的思想
1.4K20编辑于 2022-01-26 - 来自专栏null的专栏
多目标建模总结
在底层共享表示的优化中，以MMoE（Multi-gate Mixture-of-Experts）[1]和PLE（Progressive Layered Extraction）[2]两种网络结构较为常用。 在多目标的建模过程中，如果不同的学习任务之间较为相关时，多个任务之间可以共享一部分的信息，这样最终能够提升整体的模型学习效果。 2. 多目标建模的常用方法2.1.多模型的融合多模型的融合是指根据不同的任务单独训练不同的模型，最终根据最终的目标将各模型的结果相加或者相乘后进行融合排序。 底层共享表示的优化在底层共享表示优化中，目前业界主流的多目标建模的网络结构是MMoE[1]和PLE[2]两种，其中MMoE的网络结构如下图c所示：图片在上图a中是Shared-Bottom model， 总结多目标建模已经成为当前推荐系统中的标配，在多目标建模过程中，需要考虑多个目标之间的相互关系，以选择合适的多目标建模方法，同时，在多目标的损失函数的设计上，也存在很多的优化方案，需要根据具体的应用场景选择合适的损失函数
1.7K20编辑于 2023-01-19 - 来自专栏计算机视觉战队
多目标检测：基于Yolo优化的多目标检测（附论文下载）
一、前言 为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种基于YOLOv4卷积神经网络的多目标检测方法。 多目标检测作为目标检测领域的一个重要研究方向，一直受到研究人员的广泛关注。目前，在智能交通、智能辅助驾驶和视频监控等领域已经产生了深入的研究。 CSPDarknet模块组成的主干网络，由卷积层和残差模块叠加，有效防止在网络层数加深的基础上梯度消失或爆炸，获得更丰富的语义信息特征图，并且在主干网络中，特征图维度的减少是通过卷积层的5倍下采样实现的，其步长为2， 内核大小为3；对网络neck处进行2次上采样，浅层采用PAN+SPP模型结构实现浅层特征与高层语义特征的融合以及多尺度感受野的融合，充分利用了浅层网络，改善小目标特征丢失的问题；检测头采用回归+分类的思想
1.6K20编辑于 2023-08-24 - 来自专栏AI研习社
多目标追踪器：用OpenCV实现多目标追踪（C++Python)
多目标追踪：OpenCV 的多目标追踪器 OpenCV 中的 MultiTracker 类提供了多目标追踪的实施方法。 第一步：创建单目标追踪器 一个多目标追踪器是由一系列简单的单目标追踪器组成的。 这个追踪器会用于多目标追踪器。 多目标追踪器将这些信息传递给它内部封装的单目标追踪器。 (bboxes[i])); 第四步：更新多目标追踪器并展示结果 最后，我们的多目标追踪器已经准备好了，我们可以在新的帧中追踪多个目标。
4.2K20发布于 2018-11-22 - 来自专栏机器视觉CV
多目标跟踪评价指标
多目标跟踪评价指标 ** 如何评价 如何衡量目标跟踪，需要从以下几个点出发： 所有出现的目标都要及时能够找到； 目标位置要尽可能与真实目标位置一致； 每个目标都应该被分配一个独一无二的 ID，并且该目标分配的这个 5Bobject%20Object%5D&originHeight=902&originWidth=635&size=0&status=done&style=none&width=635] MOTA：多目标跟踪准确度 (Multiple Object Tracking Accuracy, MOTA) 衡量单摄像头多目标跟踪准确度的一个指标 [a31b4e197b4c28de22104e39cf30c104.svg #card=math&code=%5Cbegin%7Bequation%7DM%20O%20T%20A%3D1-%5Cfrac%7BF%20N%2BF%20P%2BI%20D%20S%20W%7D%7BG MOTP：多目标跟踪精确度 (Multiple Object Tracking Precision, MOTP) 衡量单摄像头多目标跟踪位置误差的一个指标 [3368c7cfce9919a74529239d6783ab6b.svg
3.5K51发布于 2020-06-15 - 来自专栏null的专栏
多目标建模算法PLE
概述在现如今的推荐系统或者搜索中，都存在多个目标，多目标的算法在现如今的系统中已然成为了标配。 在多目标的建模过程中，如果不同的学习任务之间较为相关时，多个任务之间可以共享一部分的信息，这样最终能够提升整体的模型学习效果。 PLE（Progressive Layered Extraction）[2]模型在MMoE的基础上通过对共享的网络结构优化，在原先的共享部分，又增加了task-specific的部分，同时，为了增强网络的效果 2. 算法原理2.1. Customized Gate Control为解决上述提出的两个问题，参考[2]中首先提出了CGC（Customized Gate Control）网络。 \right )}^T,\cdots, E_{\left ( k,m_k \right )}^T, E_{\left ( s,1 \right )}^T,E_{\left ( s,2 \right )}
1.8K50编辑于 2023-01-18 - 来自专栏学习成长指南
数学建模~~多目标规划
1.认识多目标规划 （1）前面我们介绍的是单目标规划，现在我们要认识一下多目标规划： （2）使用上面的这个题目作为例子，简单的翻译一下题干，这个题目说的就是 有1，2这两种产品需要我们进行生产，一共有11 的原材料，10小时的时间，产品1的生产消耗原材料2千克，需要耗费1小时，利润是8万元，产品二以此类推； 如果是单个目标规划问题，可能题干就会问这个最大的利润是多少，如果是这个多目标规划问题，问题就是这个图片里面展示的那样 ，产品1的产量不超过产品2的产量，充分利用设备就是说不要只是用一个设备，而且最大化这个效率，不希望加班的意思就是时间不能超过这个10小时，总利润不能低于56万元； 上面的这三个目标就是我们说的多目标；这三个目标并不是都要一定满足 p3就是我们上面已经提到的优先因子，为什么这个d1是右上角有正号，d3的右上角有负号，因为这个是取决于我们的约束条件的，因为这个第一个条件是产品1的尽量小于产品2的，就是x1-x2<=0.但这个可能会不满足 ； 下面的就是最后的求解结果，这里是一共进行了三次计算，每次计算都是在上一级达到最优解的情况下进行的，最后的结果就是产品1对应的是两个，产品2对应的是4个。
30610编辑于 2025-02-24 - 来自专栏null的专栏
多目标建模算法PLE
概述 在现如今的推荐系统或者搜索中，都存在多个目标，多目标的算法在现如今的系统中已然成为了标配。 在多目标的建模过程中，如果不同的学习任务之间较为相关时，多个任务之间可以共享一部分的信息，这样最终能够提升整体的模型学习效果。 PLE（Progressive Layered Extraction）[2]模型在MMoE的基础上通过对共享的网络结构优化，在原先的共享部分，又增加了task-specific的部分，同时，为了增强网络的效果 2. 算法原理 2.1. Customized Gate Control 为解决上述提出的两个问题，参考[2]中首先提出了CGC（Customized Gate Control）网络。 \right )}^T,\cdots, E_{\left ( k,m_k \right )}^T, E_{\left ( s,1 \right )}^T,E_{\left ( s,2 \right )}
2K30编辑于 2023-02-01 - 来自专栏图灵技术域
多目标优化问题概述
下图是多目标优化问题中最优解或非劣最优解的定义 ? 一些关于Pareto最优解的文献解释： 若x*∈C,且在C中不存在比x*更优越的解x,则称x*是多目标最优化模型式的Pareto最优解,又称为有效解。 .对于包括有定量和定性属性的多指标决策问题(参见“多目标决策问题”),其非劣解是指在所给的可供选择的方案集中,已找不到使每一指标都能改进的解.在多目标规划中,它即指有效解(参见“有效解”)和较多最优解( 不同算法在多目标优化中的应用 多目标优化问题不存在唯一的全局最优解。但仍然需要寻找到1个最终解。 有三类方法： 1.生成法：大量求非劣解，从中寻找最优解。 2.交互法：分析目标求出最优解。 3.将多目标问题转换为单目标问题求解。 原创文章非商业转载请注明出处，商业转载请联系。
1.7K11发布于 2021-05-21 - 来自专栏字节流动
OpenGL ES 多目标渲染（MRT）
OpenGL ES 多目标渲染 OpenGL ES 多目标渲染（MRT），即多重渲染目标，是 OpenGL ES 3.0 新特性，它允许应用程序一次渲染到多个缓冲区。 , GL_LINEAR); glTexParameteri(GL_TEXTURE_2D, GL_TEXTURE_MAG_FILTER, GL_LINEAR); glTexImage2D( uniform sampler2D s_Texture0; uniform sampler2D s_Texture1; uniform sampler2D s_Texture2; uniform sampler2D samplerName, i); } glDrawElements(GL_TRIANGLES, 6, GL_UNSIGNED_SHORT, (const void *)0); OpenGL ES 多目标渲染结果 OpenGL ES 多目标渲染 -- END --
3.5K31发布于 2020-10-12 - 来自专栏炼丹笔记
推荐系统多目标建模技巧
本文，我来分享一下在多目标优化问题上一些思路，包括多目标任务的技巧、算法模型MMOE、SNR、ESMM、PLE等。 多目标任务的技巧 样本加权 通过Sample Weight进行多目标优化，保证一个主目标的同时，通过将其它目标转化为样本权重的方式改变数据分布，从而达到优化其它目标的效果。 （2）Data Sparsity作为CVR训练数据的点击样本远小于CTR预估训练使用的曝光样本。 一些策略可以缓解这两个问题，但都没有从实质上解决上面任一个问题。 相对于前面的MMOE、SNR和ESMM模型，PLE模型主要解决两个问题：(1)MMOE中所有的Expert是被所有任务所共享的，这可能无法捕捉到任务之间更复杂的关系，从而给部分任务带来一定的噪声;(2) 参考资料 1、Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate 2、
2K10编辑于 2022-05-23 - 来自专栏SIGAI学习与实践平台
深度多目标跟踪算法综述
如图2中所示为ACF行人检测算法的结果。 如何扩展深度学习在行人重识别问题中的研究成果到多目标跟踪领域，研究适用于多目标跟踪问题的深度学习算法是具有挑战性的问题。 图2：多目标跟踪场景下行人的检测结果。 绿色矩形框表示存在的检测结果不准确的情况。蓝色矩形框是检测结果基本准确的示例。当目标特征与检测器模型样本分布相差较大时，存在检测失败的情况。 2、基于深度学习的多目标跟踪算法分类 多目标跟踪算法按照轨迹生成的顺序可以分为离线的多目标跟踪和在线的多目标跟踪算法。 例如利用图像识别或者行人重识别任务中学习到的深度特征直接替换现有多目标跟踪算法框架中的表观特征[1]，或者采用深度神经网络学习光流运动特征，计算运动相关性[2]。 Tang等人在文献[2]中发现采用深度学习计算的类光流特征(DeepMatching)，结合表示能力更强的模型也可以得到效果很好的多目标跟踪结果。
1.3K30发布于 2018-11-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号