• CEC2018:动态多目标测试函数DF1~DF5的PS及PF


    现实世界中,许多优化问题不仅具有多属性,而且与时间相关,即随着时间的变化,优化问题本身也发生改变,这类问题称为动态多目标优化问题(dynamic multi-objective optimization problems,DMOP)。DMOP是一类目标之间相互冲突,目标函数、约束函数和相关参数等可能随着时间的变化而改变的多目标优化问题。不失一般性,以最小化多目标问题为研究对象,一个具有n个决策变量,m个目标函数的DMOP可以描述为:
    { min ⁡ x ∈ Ω ( x , t ) = ( f 1 ( x , t ) , f 2 ( x , t ) , ⋯   , f m ( x , t ) ) T s ⋅ t ⋅ g i ( x , t ) ⩽ 0 ( i = 1 , 2 , ⋯   , p ) h j ( x , t ) = 0 ( j = 1 , 2 , ⋯   , q ) \left\{

    minxΩ(x,t)=(f1(x,t),f2(x,t),,fm(x,t))Tstgi(x,t)0(i=1,2,,p)hj(x,t)=0(j=1,2,,q)" role="presentation">minxΩ(x,t)=(f1(x,t),f2(x,t),,fm(x,t))Tstgi(x,t)0(i=1,2,,p)hj(x,t)=0(j=1,2,,q)
    \right. minxΩ(x,t)=(f1(x,t),f2(x,t),,fm(x,t))Tstgi(x,t)0(i=1,2,,p)hj(x,t)=0(j=1,2,,q)
    其中 , t 为时间变量 , x = ( x 1 , x 1 , ⋯   , x n ) ∈ Ω 为 n 维决策变量 , F = ( f 1 , f 2 , ⋯   , , f m ) 为 m 维目标向量 , g i ⩽ 0 ( i = 1 , 2 , ⋯   , p ) 为 p 个不等式约束 , h j = 0 ( j = 0 , 1 , ⋯   , q ) 为 q 个等式约束。 其中, t 为时间变量, \\x=\left(x_{1}, x_{1}, \cdots, x_{n}\right) \in \Omega 为 n 维决策变量, \\\boldsymbol{F}=\left(f_{1}, f_{2}, \cdots,\right. , \left.f_{m}\right) 为 m 维目标向量, \\ g_{i} \leqslant 0(i=1,2, \cdots, p) 为 p 个不等式约束,\\ h_{j}=0(j=0 , 1, \cdots, q) 为 q 个等式约束。 其中,t为时间变量,x=(x1,x1,,xn)Ωn维决策变量,F=(f1,f2,,,fm)m维目标向量,gi0(i=1,2,,p)p个不等式约束,hj=0(j=0,1,,q)q个等式约束。

    一、CEC2018简介

    CEC2018共有14个测试函数:DF1-DF14,其中DF1-DF9是两个目标,DF10-DF14是三个目标。
    在这里插入图片描述

    二、测试函数

    2.1DF1:PS随时间变化,PF随时间变化

    在这里插入图片描述
    在这里插入图片描述

    2.2DF2:PS随时间变化,PF不随时间变化

    在这里插入图片描述

    2.3DF3:PS随时间变化,PF随时间变化

    在这里插入图片描述

    2.4DF4:PS随时间变化,PF随时间变化

    在这里插入图片描述

    2.5DF5:PS随时间变化,PF随时间变化

    在这里插入图片描述
    在这里插入图片描述

  • 相关阅读:
    跳台阶算法
    【Java-LangChain:面向开发者的提示工程-7】文本扩展
    下拉选择框监听el-option的方式
    基于51单片机的智能护眼台灯带闹钟功能proteus仿真原理图PCB
    nginx-ingress多控制器部署
    【HTML5】Html5新增知识概述
    135:vue+openlayers添加海量点,使用WebGLPoints方法(示例代码)
    NPDP产品经理知识(产品创新管理)
    2024 RubyMine 激活,分享几个RubyMine 激活的方案
    java计算机毕业设计商场后台管理系统源码+系统+数据库+lw文档+mybatis+运行部署
  • 原文地址:https://blog.csdn.net/weixin_46204734/article/details/126883476